一种解析Office二进制格式并提取文档属性文字的方法及系统技术方案

本发明专利技术提供了一种解析Office二进制格式并提取文档属性文字的方法及系统，本发明专利技术通过分析Office文档的二进制数据，根据文档中属性的存放原理，将Office文档中的属性文字全部提取出来，相对于使用二次接口开发和JAVA OPI技术接口提取文档属性中的文字，通过分析二进制文件并提取文件属性中文字可支持跨平台，不仅支持Windows系统而且支持Linux等系统，且效率高，通过二进制读取文件，并进行精确定位处理，执行效率显著提高，另外程序包小，所有实现均通过手动编码和调用系统API函数，不依赖任何第三方程序文件。本发明专利技术不限制于Office文件的文字提取，凡是采用Office存放原理的文件都可采用此方法提取文字，如金山Office等。

A method and system of parsing office binary format and extracting document attribute text

【技术实现步骤摘要】
一种解析Office二进制格式并提取文档属性文字的方法及系统
本专利技术涉及Office文字提取
，特别是涉及一种解析Office二进制格式并提取文档属性文字的方法及系统。
技术介绍
Office办公文档的属性信息记录了文档的汇总信息，如标题、作者、日期、关键词等，通过文档的属性就可以了解文档的内容，而不用打开文件去浏览，提高了文档的浏览分类速度。现在通用的Office文档属性提取方法主要有两种，一种是采用Windows系统提供的Com接口，另一种就是采用JAVA提供的OPI技术进行提取，但是这两种技术存在以下缺点：对于Com接口技术，不能跨平台，仅在Windows平台上运行，不支持Linux、Unix、Mac等系统；且效率低，采用Com技术，数据需要经过多层转换。对于JAVAOPI技术，其提取文档中的文字，需要在运行环境中自带JAVA虚拟机环境，此方法导致程序安装包过大，且存在JAVA运行性能低的问题，导致提取文字效率低。
技术实现思路
本专利技术的目的是提供一种解析Office二进制本文档来自技高网...

【技术保护点】
1.一种解析Office二进制格式并提取文档属性文字的方法，其特征在于，所述方法包括以下步骤：/nS1、以二进制方式打开Office文档，获取所有\005SummaryInformation数据流以及\005DocumentSummaryInformation数据流；/nS2、在两种数据流中获取基本属性和自定义属性的分类信息；/nS3、对于基本属性，读取基本属性中属性类型propId和数据的起始地址propOffset，结合每条属性信息中数据类型，取出属性信息；/nS4、对于自定义属性，分别读取自定义属性中文档属性和自定义属性的属性类型propId和数据的起始地址propOffset，结合每条...

【技术特征摘要】
1.一种解析Office二进制格式并提取文档属性文字的方法，其特征在于，所述方法包括以下步骤：
S1、以二进制方式打开Office文档，获取所有\005SummaryInformation数据流以及\005DocumentSummaryInformation数据流；
S2、在两种数据流中获取基本属性和自定义属性的分类信息；
S3、对于基本属性，读取基本属性中属性类型propId和数据的起始地址propOffset，结合每条属性信息中数据类型，取出属性信息；
S4、对于自定义属性，分别读取自定义属性中文档属性和自定义属性的属性类型propId和数据的起始地址propOffset，结合每条属性信息中数据类型，取出文档属性和自定义属性信息。


2.根据权利要求1所述的一种解析Office二进制格式并提取文档属性文字的方法，其特征在于，所述基本属性的分类信息包括默认属性分类个数NumPropertySets、属性分类1IdOffsetElement1和属性分类2IdOffsetElement2，其中属性分类个数NumPropertySets表示属性分类有效的数量，当为1时，表示IdOffsetElement1有效，当为2时，IdOffsetElement1和IdOffsetElement2都有效。


3.根据权利要求1所述的一种解析Office二进制格式并提取文档属性文字的方法，其特征在于，所述自定义属性的分类信息包括自定义属性分类个数NumPropertySets、文档属性DocumentSummaryInformation和自定义属性UserDefinedProperties，其中属性分类个数NumPropertySets表示属性分类有效的数量，当为1时，表示DocumentSummaryInformation有效，当为2时，DocumentSummaryInformation和UserDefinedProperties都有效。


4.根据权利要求1-3任意一项所述的一种解析Office二进制格式并提取文档属性文字的方法，其特征在于，所述属性类型propId为CODEPAGE时，其表示当前属性数据采用的字符编码格式，当值为0x04B0时，表示UNICODE方式，当值为-535时表示为UTF-8，其他表示ANSI。


...

【专利技术属性】
技术研发人员：苗功勋，董盼山，崔新安，王金国，魏东晓，
申请(专利权)人：中孚安全技术有限公司，中孚信息股份有限公司，北京中孚泰和科技发展股份有限公司，南京中孚信息技术有限公司，
类型：发明
国别省市：山东;37