搜索 MS Word 二进制文件以获取特定内容

Question

我的数据库中存储了一些 .doc 二进制文件，我现在想搜索所有这些文件（不将它们转换为 .doc），以查看哪个文件包含“hello”一词。

有什么方法可以在二进制文件中进行此搜索吗？

Answer 1

您可以沿着使用商业工具的路线进行。 Aspose.Words 可以加载来自流的文档，并具有在文档中查找文本的各种方法。

如果您有来自数据库的流，那么您的代码将如下所示：

Aspose.Words.Document doc = new Aspose.Words.Document(streamObjectFromDatabase);

if (doc.GetText().ToLower().Contains("hello world"))
  MessageBox.Show("Hello World exists");

注意：此工具的优点是它不需要安装 Word 对象，并且可以使用内存中的流。

Answer 2

据我所知，并非没有很多痛苦。根据Wikipedia，微软在过去的几年里终于发布了.doc规范。因此，如果您有时间，您可以根据规范创建一个解析器，假设所有文档都采用相同版本的 .doc 格式。

当然，您可以在所有二进制数据中搜索您要查找的文本，假设实际文本存储为纯文本。但即使该假设成立，您如何确定您找到的纯文本是实际的文档文本，而不是也以纯文本形式存储的某些文档元数据？而且二进制数据与您的文本模式匹配的可能性总是很小。

如果您可以使用 Word 库，我会走这条路。如果没有，自制的解析器可能是您最不坏的选择。