寻找用于从 ppt、pptx、doc、docx 文件中解析和提取对象的库 [关闭]

Posted 2023-02-24

【中文标题】寻找用于从 ppt、pptx、doc、docx 文件中解析和提取对象的库 [关闭]

【英文标题】：Looking for a library for parsing and extracting objects from ppt, pptx, doc, docx files [closed]

【发布时间】：2011-01-21 07:20:48

【问题描述】：

我正在寻找一个可以打开 ppt、pptx、doc、docx 文件的库，对其进行解析并从中提取所有对象。

例如，在 ppt 中，它可以提取所有对象属性，如图像、文本、表格自动形状等。然后为我提供对象位置/大小和格式，如字体大小/颜色/粗体等。对于图像，可以将每个图像保存为 jpg 文件。 图书馆还应该能够拍摄整张幻灯片的快照。

我已经尝试aspose 这样做，但获取此信息并不准确。不会提取所有属性加上它的导出，因为图像不准确。使用开放式办公图书馆有什么想法吗？

我愿意使用 Java 或 C++ 库。

【参考方案1】：

在工作中，我们使用 openoffice Java api 从 ppt/pptx 文件中提取图像。我使用了来自here 的文档。我很确定您可以使用该指南中的信息来做您需要的事情。

祝你好运。

【讨论】：

非常感谢您的帮助，您能否指出一个从 ppt/pptx 文件中提取图像的简单示例，我需要将提取的图像与我从 aspose 获得的图像进行比较以做出决定提前切换到开放式办公室

您可以使用 Apache Tika 作为完整的解决方案。另一个不错的库是RawText，因为它可以对图像进行 OCR。它是非免费的，并且可以通过 REST API 运行。

【参考方案2】：

一个选项是apache poi 库 - 周围有示例，而且周围的材料似乎比 openoffice API 上的要多。