如何从MS Word中提取文本？

Question

如何从MS Word中提取文本？

3

我想打开一个Word文档，提取文档中的所有文本，并使用Win32::OLE将其显示给用户。

#usr/bin/perl
#OLEWord.pl

#Use string and print warnings
use strict;use warnings;
#Using OLE + OLE constants for Variants and OLE enumeration for Enumerations
use Win32::OLE;
use Win32::OLE::Const 'Microsoft Word';

$Win32::OLE::Warn = 3;

#set the file to be opened
my $file = '/work/Test.docx';

#Create a new instance of Win32::OLE for the Word application, die if could not open the application
my $MSWord = Win32::OLE->new('Word.Application','Quit') and "Opened Word" or die     "Unable to open document ", Win32::OLE->LastError(); 
#Set the screen to Visible, so that you can see what is going on
$MSWord->{'Visible'} = 1;
#open the request file or die and print warning message
my $Doc = $MSWord->Documents->Open('C:\work\Test.docx') or die "Could not open ", $file, " Error:", Win32::OLE->LastError();

#$MSWord->ActiveDocument->SaveAs({Filename => 'AlteredTest.docx', 
                            #FileFormat => wdFormatDocument});
                            
                            
sub ShowObjs {
my $obj = shift;
foreach (sort keys %$obj) {
print "Keys: $_ - $obj->{$_}\n"; }
 }

 my $paragraphs = $Doc->Paragraphs;
 ShowObjs($paragraphs);

 #  Get and print the Text inside the opened file
 my $paragraphs = $Doc->Paragraphs;
 my $txt = $Doc->Range->Text;
 print $txt;
                            
 $MSWord->ActiveDocument->Close;
 $MSWord->Quit;

我遇到了这个错误代码：

来自 "Microsoft Word" 的 OLE 异常:

命令失败

Win32::OLE(0.1709) 在 OLEWord.pl 的第20行, 在 "Open" 方法/属性获取中出现错误 ox800a1066。

更新： 我可以正常打开 Word 应用程序，只有当我尝试打开文件时才会出现问题。

- Shahab

你确定文件扩展名是“doc”吗？打开失败让我觉得文件扩展名应该是docx，而不是doc。 - mrk

我把文件改成了docx格式，但仍然没有。 - Shahab

我能够使用上述脚本打开Word文件（doc和docx），但在$txt = $Word->Paragraphs...处失败。您是否有打开该文件的权限，而且该文件没有在其他地方被Word打开？ - mrk

是的，我创建了测试文件，但我也不确定如何从Word文档中获取文本。 - Shahab

2

确保文件可访问。尝试使用绝对路径。 - jira

2个回答

1

Win32::OLE 在交互方面可能有些奇怪。如果任何事情触发了提示，您可能会收到这样的消息。通常情况下，它可能是想以只读方式打开文件，并弹出对话框，但这些对话框可能会在 Win32::OLE 的默认初始化下出现问题。

如果是这种情况，请调用

Win32::OLE->Initialize(Win32::OLE::COINIT_OLEINITIALIZE);

在做任何事情之前，例如实例化任何对象（即，在 Win32::OLE->new 之前），可能会有诀窍。

- Stuart Watt

你使用的是哪个版本的Word、Windows和Perl？ - Stuart Watt

Word 2010，Windows XP和Perl 5.12 - Shahab

问题是我可以通过脚本成功打开Word。问题现在是尝试在Word打开后打开文件。 - Shahab

嗯，这不是一个容易的问题。与此同时，我在CPAN上维护Text::Extract::Word，它也可以从Word（经典的.doc，但不是.docx）文件中提取文本，但不运行Word或OLE来完成它。 - Stuart Watt

这是一个奇怪的问题，因为我可以打开Excel并修改和打印文本，只是Word出了问题。 - Shahab

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- bvr · Accepted Answer

我有几个使用Win32::OLE的脚本，用于将DOC转换为各种输出格式。它们通常以以下方式开始：

use Win32::OLE;
use Win32::OLE::Const 'Microsoft Word';
my $wr = Win32::OLE->new('Word.Application')
    or die "Failure - word. \n";

$wr->{DisplayAlerts} = wdAlertsNone;
$wr->{Visible} = 0;

my $Doc = $wr->Documents->Open({
    FileName           => $input_file_path,
    ConfirmConversions => 0,
    AddToRecentFiles   => 0,
    Revert             => 0,
    ReadOnly           => 1,
    OpenAndRepair      => 0,
}) or exit;

...

请注意，$input_file_path 必须包含您文件的绝对路径。您还可以启用 Visible 和 DisplayAlerts 以查看 Word 可能给出的任何错误。 编辑： 您可以使用 in 枚举器遍历段落：

use Win32::OLE qw(in);

...

my $paragraphs = $Doc->Paragraphs;
for my $par (in $paragraphs) {
    print $par->Range->Text();
}

或者您也可以使用Word自带的导出功能，将文档保存为支持的格式之一：

$Doc->SaveAs({
    FileName   => 'c:\\work\\Test.txt',
    FileFormat => wdFormatEncodedText,
});

后一种方法的优点是尽可能保留格式，这样可以更好地呈现项目符号、编号等内容。