简介

ZDOCUMENT_TEXT 是一个文档解析库

开源: https://gitee.com/linuxmail/zdocument_text

目标

• 解开各类压缩包, 解析各类文档为文本和资源(主要是图片)
• 解出的文本不关注样式, 适用于机器学习,分词等, 不适合展示

背景

• 在邮件反垃圾系统中, 需要解析附件(文档,压缩包,图片), 获取文本, 获取文件类型

支持的压缩包类型

• z, 7z, gz, tar, tgz, zip/arj/zipx, rar/lzh,

支持的文档类型

• doc/dot/wps/wpt, ppt/pps/dpt/dps, xls/xlt/ett/et
• docx/docm/dotx, pptx/pptm, xlsx/xlsm
• odt, odp, ods
• xmldoc, xmlxls
• rtf
• pdf

不支持图片解析为文本

• 请用其他专门的库处理, 如 tesseract

不支持邮件解析为文本

• MIME(eml)格式请参考 https://gitee.com/linuxmail/lib-zc/blob/master/doc/mime.md
• TNEF(winmail.dat)格式请参考 https://gitee.com/linuxmail/lib-zc/blob/master/doc/tnef.md

不支持HTML解析为文本

• 推荐使用 gumbo 库处理

依赖开源库: lib-zc

• 下载: https://gitee.com/linuxmail/lib-zc, 和 zdocument_text 放在同级目录
• 编译: cd lib-zc; make

依赖开源库: 其他

• libminizip, libtar

编译

进入目录直接 make, 得到

• zdocument_text.h (头文件)
• libzdocument_text.a (静态库)
• libzdocument_text.so (动态库)
• document_text (例子, 演示效果)
• simple (例子, 简单使用)

例子源码

• https://gitee.com/linuxmail/zdocument_text/blob/master/test/document_text.cpp

例子使用

./document_text [文档类型] 文件名 [解析深度]

USAGE ./document_text [ file_format ] pathname [ depth ]
EXAMPLE:
      ./document_text doc some_filename
      ./document_text doc some_filename 3
      ./document_text some_filename 2
      ./document_text some_filename

函数(对象)介绍

• 参考 https://gitee.com/linuxmail/zdocument_text/blob/master/zdocument_text.h

简单使用

• 参考 https://gitee.com/linuxmail/zdocument_text/blob/master/test/simple.cpp