Inscrivez-vous gratuitement
pour pouvoir participer, suivre les réponses en temps réel, voter pour les messages, poser vos propres questions et recevoir la newsletter
Extraire le texte d'un document Word..
Bonjour tout le monde,
J'élabore un module d'extraction de texte de documents
Word mais je ne veux pas avoir à exploiter Word pour ce
faire.
En cherchant sur le net j'ai constaté que rares sont les softs
qui taclent directement les documents (PowerGrep par ex.).
Il y a quelques temps, j'ai trouvé comment extraire le texte de
documents RTF. Mais avec Word les choses sont plus compliquées :
le texte n'est pas simplement balisé mais carrément compressé il
me semble.
Des idées ?
Salut
quelle version de word utilises tu ?
Car à partir de la 2003 tu peux faire des recherches dans le fichier xml.
Pour les versions antérieures , je pense qu'il faut passer par OLE et piloter WORD.
Personnellement j'utilise Office XP mais je ne préfère pas
restreindre mon programme d'extraction à une seule version
de Word.
Quant à OLE, je cherche justement à éviter d'exploiter le
programme Word de près ou de loin pour l'extraction de texte.
C'est evidemment là que ça se complique...
Le fomat Word est connu par Microsoft, et seulement Microsoft. Je ne vois pas comment c'est possible de récupérer du texte alors qu'on ne connait pas le "protocole" : en-tête, etc...
On ne peut pas plus le lire qu'en créer, il faudrait savoir comment est foutu l'en-tête!
J'ai trouvé le site suivant avec des tas de descriptions de formats
mais les plus récents formats de Word n'y sont pas :
http://www.wotsit.org/list.asp?fc=10
Normal.... Microsoft ne va pas dévoiler son architecture comme ça !^^Envoyé par devroot
Si tu sais extraire les mots d'un RTF l'idée serait peut etre de convertir avant ton WORD en RTF
Deux remarques :
1- Evidemment Microsoft ne va pas dévoiler son format. Encore que,
je ne vois pas l'intéret de le garder secret... De toute façon des formats
propriétaires secrets qui ont été crackés c'est pas ce qui manque. On trouve
sur le net par ex. les caractéristiques du format PDF qui appartient pourtant
à Adobe qui n'en a pas officiellement dévoilé le contenu.
2 - Commencer par transformer un DOC en RTF ? Je suis preneur si qq1 sait
le fait par code sans passer par un autre prog.
Le format Word n'est pas complètement connu par les crackeurs, il reste toujours possible qu'un fichier particulier utilise une fonctionnalité qui n'a pas été étudiée.
Et pour le PDF pas distribué par Adobe, tu veux rire ?
Transformer le format Word en RTF, c'est simple si tu passes par ... Word piloté par OLE. Si tu n'as pas Word sur ton poste ou que tu veux t'en passer, on retombe sur le même problème, à savoir connaitre le format Word.
Je vais peut-être dire une bétise... mais....
Il me semblait que les fichiers word, excel, etc... était des "OLE Structure Storage" ?
Donc utilisation des fonction ::StgOpenStorage() etc... et utilisation des interfaces COM: IStorage et IStream.
Au niveau bit-code par contre, mes souvenirs lointains de Microsoft on tendance à me dire que c'était très très simple... un peu à la IFF.
J'ai trouvé ce site où tu peux télécharger les spécifications du format Word:
http://www.wotsit.org/list.asp?fc=10
J'ai jeté un oeil mais je te souhaite bon courage ...
Merci pour le lien...
...mais je l'avais déjà trouvé et malheureusement
les liens vers les spécifs Microsoft ne sont plus valides !
Bon, pour l'instant le plus simple semble en effet exploiter OLE
mais ça impose que Word soit installé sur la machine.
Certains liens sont toujours valides, exemple:
http://www.wotsit.org/download.asp?f...8&sc=227344918
Sinon, à moins de trouver une API toute faite, le plus simple est effectivement d'utiliser OLE.
Répondre avec citation
Partager