.net将Word,Pdf等文档文件中的文本提取出来代码分享
Java 版本
【菜科解读】
经常有人问我怎么将类似word，pdf这样的文档转换为文本然后索引，.net 这方面的解决方案不是很多，为了方便大家，我花了一天时间自己做了一个。
Java 版本的 lucence 提供了一个 tika 的工具用于将 word, excel, pdf 等文档转换为文本，然后进行索引。
但这个工具没有 .net 版本，要在 .net 下用，需要用 IKVM.net，很麻烦。
而且这个工具实际上底层是调用 POI 和 PDFParse 来转换的。
从网上搜索到的信息看,POI 对 office 2007 以上版本的文档处理有问题，不知道最新版本是否解决了，我没有试过。
PDFParse 这个东西，我用过 .net 版本，对中文不支持，不知道 Java 版本是否支持。
其实 .net 下完全不需要用这些开源解决方案来解决，因为微软提供了一个官方的解决方案，这个解决方案叫 IFilter，这个过滤器是为 sql server 的全文索引设计的，但第三方软件可以调用API来完成文档的提取工作。
为了方便大家，我把 IFilter 转换的功能封装到了一个开源的组件中去，大家可以到下面地址去下载源码：HBTextParse.
调用很简单：
这个是提取文件中的文本到字符串的代码
if (openFileDialog.ShowDialog() == DialogResult.OK) //要转换的文件 textBoxFilePath.Text = openFileDialog.FileName; //实例化 TextParse ，传入要转换的文件路径 TextParse textParse = new TextParse(textBoxFilePath.Text); //提取文件中的文本，并输出 richTextBoxView.Text = textParse.ConvertToString();}这个是将文件转换为文本文件的代码：
if (saveFileDialog.ShowDialog() == DialogResult.OK) //实例化 TextParse，传入要转换的文件的路径 TextParse textParse = new TextParse(textBoxFilePath.Text); //将文件转换到 saveFileDialog.FileName 指定的文本文件中 textParse.ConvertToFile(saveFileDialog.FileName); catch (Exception ex) MessageBox.Show(ex.Message, "Error", MessageBoxButtons.OK, MessageBoxIcon.Error);}
要注意的问题是提取 Pdf 文档，如果机器是 64为操作系统，必须要安装Adobe PDF iFilter 9 for 64-bit platforms. 否则会报异常。
这个问题我搞了将近一天才搞定。
支持的文档类型：
目前这个组件可以支持所有 Microsoft office 提供的文档类型，包括 *.rtf, *.doc, *.docx, *.xls, *.xlsx, *.ppt, *.pptx 等等
除了微软Office的文档外，还可以转换
html 文档:可以把html文档中的文本提取出来（不包含标签）
Pdf 文档:我测试过，对中文支持没有问题
Txt 文档
这个代码的核心部分是一个叫 FilterCode 的类。
这个类是从http://ifilter.codeplex.com/这个地方下载的，我对这个类做了改进，加入了转换到文件的方法。
我把这个类的代码贴出来，如果对如何调用IFilter的windows API感兴趣，可以参考这段代码
IFilter 的相关API函数如下：通常这些API函数就可以通过IFilter接口提取文本。
[DllImport("query.dll", SetLastError = true, CharSet = CharSet.Unicode)] static extern int LoadIFilter(string pwcsPath, [MarshalAs(UnmanagedType.IUnknown)] object pUnkOuter, ref IFilter ppIUnk);
[ComImport, Guid("89BCB740-6119-101A-BCB7-00DD010655AF")] [InterfaceType(ComInterfaceType.InterfaceIsIUnknown)] public interface IFilter /// /// The IFilter::Init method initializes a filtering session. /// [PreserveSig] IFilterReturnCodes Init( //[in] Flag settings from the IFILTER_INIT enumeration for // controlling text standardization, property output, embedding // scope, and IFilter access patterns. IFILTER_INIT grfFlags, // [in] The size of the attributes array. When nonzero, cAttributes // takes // precedence over attributes specified in grfFlags. If no // attribute flags // are specified and cAttributes is zero, the default is given by // the // PSGUID_STORAGE storage property set, which contains the date and // time // of the last write to the file, size, and so on; and by the // PID_STG_CONTENTS // 'contents' property, which maps to the main contents of the // file. // For more information about properties and property sets, see // Property Sets. int cAttributes, //[in] Array of pointers to FULLPROPSPEC structures for the // requested properties. // When cAttributes is nonzero, only the properties in aAttributes // are returned. IntPtr aAttributes, // [out] Information about additional properties available to the // caller; from the IFILTER_FLAGS enumeration. out IFILTER_FLAGS pdwFlags); /// /// The IFilter::GetChunk method positions the filter at the beginning /// of the next chunk, /// or at the first chunk if this is the first call to the GetChunk /// method, and returns a description of the current chunk. /// [PreserveSig] IFilterReturnCodes GetChunk(out STAT_CHUNK pStat); /// /// The IFilter::GetText method retrieves text (text-type properties) /// from the current chunk, /// which must have a CHUNKSTATE enumeration value of CHUNK_TEXT. /// [PreserveSig] IFilterReturnCodes GetText( // [in/out] On entry, the size of awcBuffer array in wide/Unicode // characters. On exit, the number of Unicode characters written to // awcBuffer. // Note that this value is not the number of bytes in the buffer. ref int pcwcBuffer, // Text retrieved from the current chunk. Do not terminate the // buffer with a character. [Out(), MarshalAs(UnmanagedType.LPWStr)] StringBuilder awcBuffer); /// /// The IFilter::GetValue method retrieves a value (public /// value-type property) from a chunk, /// which must have a CHUNKSTATE enumeration value of CHUNK_VALUE. /// [PreserveSig] IFilterReturnCodes GetValue( // Allocate the PROPVARIANT structure with CoTaskMemAlloc. Some // PROPVARIANT // structures contain pointers, which can be freed by calling the // PropVariantClear function. // It is up to the caller of the GetValue method to call the // PropVariantClear method. // ref IntPtr ppPropValue // [MarshalAs(UnmanagedType.Struct)] ref IntPtr PropVal); /// /// The IFilter::BindRegion method retrieves an interface representing /// the specified portion of the object. /// Currently reserved for future use. /// [PreserveSig] IFilterReturnCodes BindRegion(ref FILTERREGION origPos, ref Guid riid, ref object ppunk); }
从文档中提取文本的代码如下：
/// /// Utilizes IFilter interface in Windows to parse the contents of files. /// ///
Path - Location of file to parse ///
Buffer - Return text artifacts /// Raw set of strings from the document in plain text format. public void GetTextFromDocument(string path, ref StringBuilder buffer) IFilter filter = null; int hresult; IFilterReturnCodes rtn; // Initialize the return buffer to 64K. buffer = new StringBuilder(64 * 1024); // Try to load the filter for the path given. hresult = LoadIFilter(path, new IntPtr(0), ref filter); if (hresult == 0) IFILTER_FLAGS uflags; // Init the filter provider. rtn = filter.Init( IFILTER_INIT.IFILTER_INIT_CANON_PARAGRAPHS | IFILTER_INIT.IFILTER_INIT_CANON_HYPHENS | IFILTER_INIT.IFILTER_INIT_CANON_SPACES | IFILTER_INIT.IFILTER_INIT_APPLY_INDEX_ATTRIBUTES | IFILTER_INIT.IFILTER_INIT_INDEXING_ONLY, 0, new IntPtr(0), out uflags); if (rtn == IFilterReturnCodes.S_OK) STAT_CHUNK statChunk; // Outer loop will read chunks from the document at a time. For those // chunks that have text, the contents will be pulled and put into the // return buffer. bool bMoreChunks = true; while (bMoreChunks) rtn = filter.GetChunk(out statChunk); if (rtn == IFilterReturnCodes.S_OK) // Ignore all non-text chunks. if (statChunk.flags != CHUNKSTATE.CHUNK_TEXT) continue; // Check for white space items and add the appropriate breaks. switch (statChunk.breakType) case CHUNK_BREAKTYPE.CHUNK_NO_BREAK: break; case CHUNK_BREAKTYPE.CHUNK_EOW: buffer.Append(' '); break; case CHUNK_BREAKTYPE.CHUNK_EOC: case CHUNK_BREAKTYPE.CHUNK_EOP: case CHUNK_BREAKTYPE.CHUNK_EOS: buffer.AppendLine(); break; // At this point we have a text chunk. The following code will pull out // all of it and add it to the buffer. bool bMoreText = true; while (bMoreText) // Create a temporary string buffer we can use for the parsing algorithm. int cBuffer = DefaultBufferSize; StringBuilder sbBuffer = new StringBuilder(DefaultBufferSize); // Read the next piece of data up to the size of our local buffer. rtn = filter.GetText(ref cBuffer, sbBuffer); if (rtn == IFilterReturnCodes.S_OK || rtn == IFilterReturnCodes.FILTER_S_LAST_TEXT) // If any data was returned, scrub it and then add it to the buffer. CleanUpCharacters(cBuffer, sbBuffer); buffer.Append(sbBuffer.ToString()); // If we got back some text but there is no more, terminate the loop. if (rtn == IFilterReturnCodes.FILTER_S_LAST_TEXT) bMoreText = false; break; // Once all data is exhausted, we are done so terminate. else if (rtn == IFilterReturnCodes.FILTER_E_NO_MORE_TEXT) bMoreText = false; break; // Check for any fatal errors. It is a bug if you land here. else if (rtn == IFilterReturnCodes.FILTER_E_NO_TEXT) System.Diagnostics.Debug.Assert(false, "Should not get here"); throw new InvalidOperationException(); // Once all chunks have been read, we are done with the file. else if (rtn == IFilterReturnCodes.FILTER_E_END_OF_CHUNKS) bMoreChunks = false; break; else if (rtn == IFilterReturnCodes.FILTER_E_EMBEDDING_UNAVAILABLE || rtn == IFilterReturnCodes.FILTER_E_LINK_UNAVAILABLE) continue; else throw new COMException("IFilter COM error: " + rtn.ToString()); else // If you get here there is no filter for the file type you asked for. Throw an // exception for the caller. throw new InvalidOperationException("Failed to find IFilter for file " + path); }
.net,将,Word,Pdf,等,文档,文件,中的,文本,如何将社保转移到外省跨省社保转移最快几个工作日（25年4月5日）
1.需要计算职工上一年度的月平均工资，这通常涉及对工资总额进行平均处理，以消除不同月份工资波动的影响。
2.根据当地社保要求的基数范围，将计算得出的月平均工资与上下限进行比较，以确定最终的缴费基数。
3.如果月平均工资高于上限，则按上限作为缴费基数；如果低于下限，则按下限作为缴费基数；如果处于上下限之间，则按实际月平均工资作为缴费基数。
4.需要注意的是，当职工工资收入无法确定时，其缴费基数通常按照当地劳动部门公布的当地上一年职工平均工资来确定。
这种确保社保缴费的公平性和可持续性，避免因工资收入的不确定性而导致社保缴费基数的失真。
随着跨省转移社保新规的实施，您是否做好了准备？本文将为您介绍新规内容，助您顺利适应新方案。
下面随新社通小编一起了解详情。
如何将社保转移到外省跨省社保转移最快几个工作日?？?一起随新社通小编看看：一般来说,社保的跨省转移一般需要45个工作日。
一般来说，社会保险跨省转移一般需要45个工作日。
首先由参保人提出社保转移接续申请，新参保地机构要在15个工作日内审批申请，随后由原参保地在收到同意接收函的15个工作日内，办理转移接续的各种手续，新参保机构则在收到养老保险和资金后15个工作日内受理相关手续。
以上就是社保跨省转移相关内容。
退休异地社保如何转移退休后，根据法规，已退休人士就不能对社保进行异地转移，只能在社保所在地享受社保权利。
如果要到转移地进行身份验证，退休人员也需到原保地办理相关手续。
异地退休，如果需要在异地办理退休手续，那么主要是按照从长从后、户籍优先的原则进行办理。
一般的城市外地户口需要在本地交满10年的养老保险，才会允许办理退休，如果说，社保未满10年，通常就无法办理，就只能回到户籍所在地；退休前，在退休之前，如果要办理异地社保转移，那么需要准备《驻外及异地居住参保人员定点医疗机构就医备案表》、书面申请、以及相关证明材料等，然后前往社保局办理。
此外，网上也可以转移异地社保，但前提是社保转入地开通了网上申请业务，可以登录社会保险综合服务平台，在线申请社保转移申请，经审核符合转入条件的，按系统提示进行后续转移接续流程即可。
社保转移是不是医保也跟着转移了社保转移了医保也是跟着转移的。
医保转移回家，会把医保账户的个人账户余额和缴纳月数转移过去。
也就是说，社保卡转移后社保关系变更，医保账户中个人缴纳的费用可以全部转移。
个人缴纳部分是划入个人医保账户，在门诊看病时可以使用。
社会保险过立法确立的，通过强制性保险形式实施的，如果办理社会保险转移，是5个社会保险，一起转移。
办理社保转移，是将养老保险关系转移至新参保地去，医保的钱需要办理医保转移之后才能转的。
用户在办保险转移业务时，需要把社保、医保、失业三项都分别转移回去。
失业保险转移的是用户的缴费月数，一旦用户失业了则可以根据失业保险的缴费月数进行计算可以领取失业金的月数。
概括而言，跨省社保转移后缴费年限的累计计算方式取决于具体的转移情况。
在办理转移手续时，应详细了解相关法规，确保自己的权益得到保险。
三国真正的全胜将军是哪位 文聘还曾两次击败如日中天的关羽
按照野载，赵云的师傅是童渊，他是关门弟子，上面还有两个师兄，(1)大师兄叫张任，是益州大都督，犹如东吴大都督，差点让饮恨，后来兵败被杀，(2)二师兄就是文聘!当然，还有一种说法，即：赵云的大师兄叫，二师兄才是张任! 文聘此人有两大亮点，即：很忠义，能力强!所以，文聘获得曹操的重任，而他也不负重托! 第一，很忠义!文聘开始是的属下，后来，刘表死后，儿子刘琮投降了曹操。
此时，很多人争先恐后的向曹操输诚，但唯独文聘不见曹操，直到曹操主动召见他。
曹操问他，“其何以迟”，文聘回答的很忠义，“不能保全土境，愧于见人”!因此，后来曹操评价他是：“仲业，卿真忠臣也。
” 第二，能力强!在刘表手下，文聘守卫江夏的主官，但曹操到来之后，依然大气魄的让他镇守江夏!让一介投降之将，镇守原先的战略要地，可见其曹操的魄力!让人惊叹的是：文聘也不负曹操所望，一直坚守此地几十年，有守有攻，多次遏制关羽进攻，立下莫 莫大之功，成为曹操倚为屏障的大将之一，威名远播。
需要注意的是，文聘还有一个大亮点，即：两次击败如日中天的关羽，一次击败江东霸王孙权! 第一次，文聘与，在寻口这一地点攻打关羽，并击败关羽。
正因为此战胜利，所以文聘被封为延寿亭侯，加为讨逆将军! 第二次，文聘主动偷袭，在汉津将关羽的辎重夺取。
更惊人的是，文聘还偷偷杀进荆州，烧毁关羽船只!这是一次完美偷袭战! 关羽大意失荆州之后，东吴孙权占领了荆州，江夏的文聘直面孙权!然而，让人意外的是，即便面对江东霸王的数万大兵压境，只有几千人的文聘，也表现出淡定冷静。
最终，孙权不仅攻城不下，而遭到文聘的偷袭，以至于大败而归! 客观的说，无论是关羽、张飞、赵云，还是一国之君的孙权，都没能在文聘身上占到便宜!所以，曹魏集体后来给文聘的职位是“后将军”(相当于蜀国的)，相当于曹魏将军中的第四位，可见地位之高!论忠，文聘不下关羽，论兵，文聘两败关羽，但论名气，文聘却远不如关羽!所以，历史人物也靠包装! 随机文章最早的编年体史书── 《春秋》 为什么叫春秋？春秋是什么？不是诸葛亮！刘备费尽心思想得到他找了半个中国才如愿一艘俄罗斯台风级核潜艇，能在30分钟内让美国从地球消失太阳墓地位置，一排排木桩围绕成太阳（楼兰因太阳墓灭国）墨西哥最毒的山王蛇，一口毒液令人类30分钟死亡（长相美丽异常歹毒）
