如何从 MS Word 中提取文本？

Question

我正在尝试打开一个 Word 文档，然后提取文档中的所有文本并使用 Win32::OLE

#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;

我收到以下错误代码：

来自“Microsoft Word”的 OLE 异常：

命令失败

Win32::OLE(0.1709) 错误 ox800a1066 在 OLEWord.pl 第 20 行的 METHOD/PROPERTYGET“Open”中

更新： 我可以正常打开 Word 应用程序，只是当我尝试打开文件时出现问题

Answer 1

我有几个脚本可以使用 Win32::OLE 将 DOC 转换为各种输出格式。它们通常是这样开始的：

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 必须包含文件的绝对路径。您还可以启用 Visible 和 DisplayAlerts 以查看 Word 可能提供的任何错误。

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();
}

或者您可以使用Word自己的导出方法并将文档另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格式设置简单如果可能的话保留，这会为项目符号、编号等产生更好的结果。

Answer 2

Win32::OLE 交互方面可能有点有趣。如果有任何事情触发提示，您可能会收到这样的消息。例如，通常它可能想要以只读方式打开文件，并打开一个对话框，但这些对话框可能会在 Win32::OLE 的默认初始化下中断。

如果是这种情况，

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

在实例化任何对象之前调用（即在 Win32::OLE->new 之前）可能会成功。