Scannen Sie eine Reihe von Word-Dokumenten für eine bestimmte Phrase

Question

Wie kann ich eine Reihe von Microsoft Word (2003) Dokumente scannen? Ich suche nach einer bestimmten Phrase in den Dokumenten und möchte die Dateinamen derjenigen, die die Phrase enthalten, zurückgeben.

Ein Codebeispiel wäre vor allem hilfreich.

Answer 1

A VB.NET-Version allclaws' Methode:

Function ContainsText(ByVal fileName As String, ByVal text As String) As Boolean 

    Dim app As New Microsoft.Office.Interop.Word.Application 
    Dim doc As Microsoft.Office.Interop.Word.Document 
    doc = app.Documents.Open(DirectCast(fileName, Object)) 

    Try 
     Return doc.Content.Text.IndexOf(text, StringComparison.CurrentCultureIgnoreCase) <> -1 
    Finally 
     app.Quit() 
    End Try 

End Function 

Edit:

Um diese Arbeit Sie einen Verweis auf die Microsoft Word 11.0 Object Library hinzufügen müssen zu machen, verfügbar auf der Registerkarte COM im Dialogfeld Referenzen hinzufügen

Answer 2

Für 2007 Dokumente, ist es ziemlich einfach mit der Open XML SDK 2.0 framework. Diese Dateien sind im Grunde genommen eine Zip-Datei und innerhalb der Zip-Datei enthält eine Reihe von XML-Dateien, die den Inhalt von Dokumenten enthält. Alles, was Sie tun müssen, ist das Scannen der XML-Datei, um zu finden, was Sie mit diesem Framework benötigen.

In der Tat, wenn Sie ein Word 2007-Dokument mit dem Namen testDoc.docx hatten, könnten Sie einfach. Zip an das Ende hinzufügen und Sie können hineinschauen. So würde es aussehen testDoc.docx.zip

Die Haupt XML-Datei eine Datei document.xml

Answer 3

In Word 2003 genannt ist, können Sie die Binär-Datei suchen, ist die meisten Text innerhalb dort intakt.

Answer 4

Wenn Sie Zugang zu antiword und grep, sollte es so einfach wie

for file in `antiword *.doc | grep -vf word_to_find` 
do 
    echo "$file" 
done 

Answer 5

sein könnte, verwenden Sie die Word Object Model

Answer 6

Ist das Wort Interop-Dienst eine Option für Sie? Wenn Word auf dem Server installiert ist, können Sie einfach die Worddokumente öffnen und die Suchfunktionen von Word selbst verwenden, um Ihren Text zu finden. Natürlich ist dies eine ressourcenintensive Methode, und bei der Verwendung von Interop-Diensten müssen viele Dinge beachtet werden, aber es würde die Aufgabe erledigen.

Ihr größtes Problem möglicherweise sein, dass eine geeignete Version von Word auf dem Server installiert werden muss.

Answer 7

Das Codesample nicht zur Hand haben. Aber haben Sie sich den Windows-Indizierungsdienst angesehen und das Office-Plugin installiert?

Answer 8

Sie könnten es mit COM tun. Wenn Sie jedoch viele Dateien scannen, kann dies schmerzhaft langsam sein, da Sie mit dem Text über Word selbst interagieren werden.

Hier einige Python-Code unter Verwendung von (sorry, ich habe nicht viel .Net wissen, aber die COM-Funktionen ähnlich sein)

Ich vermute, Sie haben könnten, um die Leerzeichen ein wenig trimmen bis zu erhalten gute Übereinstimmungen.

import os, win32com.client 

def doc_has_phrase(filename, phrase): 
    found = False 
    app = win32com.client.Dispatch('Word.Application') 
    doc = app.Documents.Open(filename, False, False, False) 
    if phrase in doc.Content.Text.lower(): 
     found = True 
    app.Quit() 
    return found 

phrase = 'key phrase in lowercase' 
valid_types = ['doc'] 
path = "C:\\Path\\To\\Files\\" 

docs = dict ([(f, None) for f in os.listdir (path) if f[-3:] in valid_types]) 
for doc in docs: 
    print doc_has_phrase(path+doc, phrase), path+doc