Text aus Word.DOC extrahieren (MS-Word 97-2003-Binär-Format:)

[marky522]

Hallo,

meines Wissens nach werden beim doc-Format verschiedene Dateien (Datenströme) in einer Datei im Microsodt Compound File Format gespeichert - das ist zumindes bei xls-Dateien so.

Zunächst müssen die einzelnen Dateien (Datenströme) aus der Gesamtdatei extrahiert werden. Dazu habe ich ein Programm geschrieben, welches das kann.
Dann müssen die einzelnen Datenströme analysiert werden.

Infos zum Compound File Format erhält man im Internet, einfach mal nach dem Dokument "OpenOffice.org's Documentation of the
Microsoft Compound Document
File Format" suchen.


Ich hänge das Programm mal unten an.

MfG

Markus

PS: Das Programm war ursprünglich für was anderes gedacht, also bitte nicht an den Eingabemöglichkeiten stören, sondern einfach nur den Knopf "Datei öffnen" betätigen, dann wird die Datei zerlegt und es werden im Quellverzeichnis die einzelnen Datenströme mit .bin gespeichert.

[Ralf Stehle]

Vielen Dank. Dein Projekt schneidet in meinen Dateien einfach die ersten 511 Bytes heraus. Christian hatte mir aber bereits mitgeteilt, dass ich den FIB ab Offset 512 finde. Das ist also nicht das Problem

Ich möchte euch auch nicht weiter mit meinen Sonderformaten langweilen.

Da der Text meiner Dateien in Tabellen liegt, versuche ich als letzten Lösungsansatz noch herauszufinden, wie man in Worddateien den Anfang einer einfachen Text-Tabelle findet.

Diese Frage ist vielleicht auch für andere Foren-Mitglieder interessant.

Ansonsten werde ich die Komponente von scalabium.com einsetzen.
Bis auf das Auslesen der Fußzeile funktioniert diese sehr gut.

[sx2008]

Das binäre Word-Format setzt auf Windows Structured Storage auf.
Jeder Versuch das Word-Format direkt zu lesen und Structured Storage zu ignorieren ist von vornerein zum Scheitern verurteilt.
Man muss die StgOpenStorageEx()-Funktion verwenden und sich mit der überkomplizierten Microsoft-API rumschlagen.
Wenn man das schön in Delphi-Klassen verpackt bekommt man vielleicht auch eine API die man benützen kann.

Aber einfach so direkt in die Datei reingreifen - vergiss es.

PS: die Jedi Code Library enthält die Unit JclStructStorage.pas die schon mal einige grundlegende Klassen enthält.

[Perlsau]

Eine weitere Möglichkeit, Word-Dateien ohne installiertes Word zu öffnen, wäre OpenOffice, denn auch dafür gibt es Automationsmöglichkeiten.

[Ralf Stehle]

Mit OpenOffice Dateien zu durchsuchen dauert wahrscheinlich genauso lange wie mit Word. Ich möchte Word-OLE vor allem wegen der Geschwindigkeit nicht benutzen.

Außerdem geht es mir auch darum, den prinzipiellen Aufbau der Worddateien zu verstehen. Wie gesagt, funktioniert die Komponente TMSWordDocument von www.scalabium.com recht gut

[Bernhard Geyer]

Zitat von Ralf Stehle:

Mit OpenOffice Dateien zu durchsuchen dauert wahrscheinlich genauso lange wie mit Word. Ich möchte Word-OLE vor allem wegen der Geschwindigkeit nicht benutzen.

Hat sich beim ersten Post anders angehört.
Oft sind Performanceproblem auf fehlerhafte Implementierung zurück zu führen (z. B. bei Excel arbeiten mit Zellen statt mit Ranges).

[nahpets]

Zitat von Ralf Stehle:

Ich möchte Word-OLE vor allem wegen der Geschwindigkeit nicht benutzen.

Es wird vieeeeeeel schneller, wenn man Word in der Zeit unsichtbar macht.

vorher:  WordApplication.Visible := False; nachher:

Delphi-Quellcode:

  
  WordApplication.Visible := True;
  WordApplication.ShowMe;
  WordApplication.Activate;
  WordDocument.Activate;
  ...
  oder wie auch immer

Die permanente Aktualisierung des Bildschirmes dauert und dauert und dauert...