如何通过C#访问office文件的标签信息

Question

我想编写一段简单的代码，仅从目录中存在的一组 Office（docx、pptx 等）文件中提取标签信息，以便可以轻松对其进行索引和搜索。

当我说“标签”时，我指的是自 Vista 以来您可以添加到文件中的标签信息。通常使用资源管理器完成。例如，下面屏幕截图中的 pptx 文件附加了标签“bubble”。

但你说搜索这些标签已经内置在 Windows 中了？为什么，是的，但我只需要它来索引标签，并且我需要通过 Intranet 而不是 Windows 内部公开信息。

我发现在office文件包内，实际信息存储在/docProps/core.xml文件中的cp:keywords元素中。我确实意识到，在代码中，我可以解压缩文件、访问该文件并提取我需要的内容。然而，我希望在某个地方有一个预先抽象的解决方案。我严重怀疑 Windows 正在这样做来索引相同的信息（但不可否认，我真的找不到任何关于它的好信息）。

我还发现了一些关于 IFilters 的讨论。然而，这会访问文件的文本。我不知道 IFilter 在哪里可以帮助解决这个特定问题。

谁能指出我在这方面的正确方向？

Answer 1

我没有安装 word，但我猜它们可以从标准属性系统中作为关键字条目进行访问，就像 jpg 图片上的标签一样。

如果你想确切地知道它是如何完成的，我使用了 shell COM API，这里是 Gist 中的完整示例代码： FileTags.cs。但这只是为了好玩，您应该使用 Microsoft Windows API 代码包，因为它们的实现很多清洁工。

要获取标签（内部称为关键字），请参考 Microsoft.WindowsAPICodePack.Shell.dll 然后：

using System;
using Microsoft.WindowsAPICodePack.Shell;

class Program
{
    static void Main()
    {
        var shellFile = ShellFile.FromFilePath(@"C:\path\to\some\file.jpg");
        var tags = (string[])shellFile.Properties.System.Keywords.ValueAsObject;
        tags = tags ?? new string[0];
        Console.WriteLine("Tags: {0}", String.Join("; ", tags));
        Console.ReadLine();
    }
}

如果他们没有搞砸，它应该从 Windows XP SP2 开始工作（ 我的应该可以从 SP1 开始工作，因为我避免了 PropVariantGetStringElem，但没有它们真的很烦人）。