從舊Word文件中提取元數據（從2.0開始）

Question

我必須從很多（我的小型工作示例有數百個，總數可能會是數千個）中提取元數據，主要是Word文件。

這些文件Word版本去從Word 2.0到Word 2007

我必須這樣做，在.net 3.5（使用C＃），這是一個當地的WinForms應用程序。

我想可以從最新的OLE自動化（DsoFile.dll）中提取元數據。我和他們中的一些人成功做到了。

問題是DsoFile不支持較早的格式。可能他們不使用OLE。

我做了大量的谷歌搜索，我發現獲得我想要的數據的最好方法是使用反義詞（http://www.winfield.demon.nl/）。 與antiword我可以調用其進程並收集其輸出。它可以提取一些數據，但不是我所需要的。 例如：antiword只給我一個存儲的日期，我需要其中的兩個。

還有wvware，但我想這只是linux-only。

另一種選擇是GNU libextractor，但我不能找到一種方法，在使用.NET上

辦公室互操作將是一個絕望的最後一招。我還沒有測試過這個選項，但是我猜測這並不是一個當想要處理大量文件並且性能不錯的選項。

任何人都可以幫忙嗎？如果你需要更多的數據，請問。

對不起，我不是母語的人。

Answer 1

我曾經在商業辦公室元數據提取和報告工具上工作。這不是一件容易的事情，尤其是如果你還想刪除任何元數據。從它的聲音，你只是想報告它，所以這樣更好。

從word2000開始，Word文件被存儲在OLE複合文檔中。網上有很多關於閱讀這些文件的文檔，但請記住，它只會爲您提供一小部分元數據。 word doc中的大多數「肉」在複合doc文件中以大二進制blob存儲，並且這些blob的格式是專有的。

網頁上有DOC文件格式的文檔。

http://msdn.microsoft.com/en-us/library/cc313118.aspx

但它是一個巨大的天賦和瘋狂的複雜。儘管如此，你也許能夠找出你需要處理的部分。

較新的DOCX文件更容易處理（並且潛藏的元數據也少得多）。