利用Minidx Extract-Text Com组件从doc,Xls,Pdf……等读取文本内容VC Demo

Jan 10

利用Minidx Extract-Text Com组件从doc,Xls,Pdf……等读取文本内容VC Demo

《利用Minidx Extract-Text Com组件从Word,Xls,Pdf……等文件中读取文本内容》中具体的说明了Vb.Net中调用Minidx Extract-Text Com组件对Word,Excel,Pdf等各种文件进行文本抽取的用法。结果很多人都发邮件过来询问C++中如何调用（一些邮件会被Gmail判断为垃圾邮件……强烈建议有问题直接在本文后面留言或在这里提问，这样也可以减轻一点我的工作量，不必挨个回复）。抽空作了一个VC的Demo，工程用VS2005创建的，Unicode版本。下面对Demo稍微做一些说明，一些基本原理直接参照《利用Minidx Extract-Text Com组件从Word,Xls,Pdf……等文件中读取文本内容》就可以了，这里不再重复。

●Demo(VC++)源代码从这里下载(相关文档资料分类中的“Doc,Xls,Pdf等文件中抽取文本的Com组件及Demo(VC++)源代码”)

●执行Demo

①、双击run.bat执行，注册Com组件

②、双击demo_vc\release或者demo_vc\debug目录下的demo_vc.exe

③、点“File”，选择对象文件（ex: 从demo_vc\test-data中选择）

④、选中文件，查看抽取文本结果。（下面分别是中日英Word的抽取结果）

注意:抽取文本对象文件需要有读写权限，正在编辑中的文件抽取文本时可能会出错。

●实际调用方法：

①、复制下面三个文件到自己工程的相应目录下

・ExtractText.dll
・ExtractText.h
・ExtractText_i.c

②、在需要的文件中用下面的代码引入

#include “ExtractText.h”
#include “ExtractText_i.c”

③、抽取文本部分代码：

   1:  ITextExtractor *te = NULL;

   2:  // Declare and HRESULT and a pointer to the Simple_ATL interface

   3:  HRESULT            hr;

4:

   5:  // Now we will intilize COM

   6:  hr = CoInitialize(0);

   7:  BSTR fileName = ::SysAllocString(strFileName);

   8:  if(SUCCEEDED(hr))

   9:  {

  10:  hr = CoCreateInstance( CLSID_TextExtractor, NULL, CLSCTX_INPROC_SERVER,

  11:  IID_ITextExtractor, (void**) &te);

12:

  13:  hr = te->ExtractText(fileName, (long)lFileSize, &cval);

  14:  if( cval ) txt_extract_text.SetWindowText(cval);

15:

  16:  hr = te->Release();

  17:  }

  18:  // Uninitialize COM

  19:  CoUninitialize();

当然，也可以通过GetProcAddress的方式导入函数，函数的接口请参照ExtractText.h，LoadLibrary方式的使用方法也很简单，有兴趣的可以自己做着试试看，这里不再重复说明了。同样的，有什么问题可以直接在这里留言或者在Minidx帮助论坛发贴寻找帮助。该模块可用于任何商业和非商业的用途，如果你愿意的话，可以发一个邮件给我告诉我这一模块被用在了你的项目中，那么当你取得成功的时候，我也可以向我的朋友们吹嘘一下，当然这不是必需的，：）

本文链接地址：http://blog.minidx.com/2008/01/10/373.html

written by Minidxer | tags: C++, Com组件, doc, Extract Text, IFilter, indexing service, Minidx, pdf, VC.net, xls, 搜索引擎

24 Responses to “利用Minidx Extract-Text Com组件从doc,Xls,Pdf……等读取文本内容VC Demo”

sofish Says:
January 10th, 2008 at 6:45 pm
有时候这里访问变得很慢…
Minidxer Says:
January 10th, 2008 at 7:02 pm
@sofish
国内的国际带宽限制吧。
我这里一直都是很快的……非常快
!CnSoLoer Says:
January 10th, 2008 at 8:29 pm
绝对的高手，因为我一点都看不懂，啊哈哈，服务器跟人都在日本？
Minidxer Says:
January 10th, 2008 at 8:37 pm
@!CnSoLoer
失败……绝对的失败,呵呵
服务器在美国,Godaddy的，开始的时候拜托朋友们测试过一些国家和地区的访问速度，都说速度很快……
人在东京

@sofish
你那里每次访问这里速度都很慢吗？
sorryle Says:
January 10th, 2008 at 9:48 pm
我国内网通的，一直都很快。
!CnSoLoer Says:
January 10th, 2008 at 10:06 pm
东京好啊，听同学说日本人从来不穿衣服的，因为丫长这么大还没有见过穿衣服的日本人，啊哈哈
Minidxer Says:
January 10th, 2008 at 10:43 pm
@sorryle
网通的国际出口好像比较快,我访问网通的站点速度也不错.

@!CnSoLoer
从来不穿衣服…美女的话当然没问题,dafeipo或者laotaitai，那可让人受不了……
Qipeng Tian Says:
March 20th, 2008 at 9:14 am
不晓得windows 2003是否支持，我在xp上测试没问题，但是在windows 2003上开发时，报以下错误

未处理 System.Runtime.InteropServices.COMException
Message=”检索 COM 类工厂中 CLSID 为 {A2083621-FD63-4F37-ABF3-A4A4FEB0EFD4} 的组件时失败，原因是出现以下错误: 80040154。”
Source=”TQP.ExtractText”
ErrorCode=-2147221164
StackTrace:
在 TQPExtractText.MyIFilter..ctor()
在 DataDig.MainFrm.运行ToolStripMenuItem1_Click(Object sender, EventArgs e) 位置 D:\Mike的程序\数据挖掘\DataDig\DataDig\MainFrm.cs:行号 122
在 System.Windows.Forms.ToolStripItem.RaiseEvent(Object key, EventArgs e)
在 System.Windows.Forms.ToolStripMenuItem.OnClick(EventArgs e)
在 System.Windows.Forms.ToolStripItem.HandleClick(EventArgs e)
在 System.Windows.Forms.ToolStripItem.HandleMouseUp(MouseEventArgs e)
在 System.Windows.Forms.ToolStripItem.FireEventInteractive(EventArgs e, ToolStripItemEventType met)
在 System.Windows.Forms.ToolStripItem.FireEvent(EventArgs e, ToolStripItemEventType met)
在 System.Windows.Forms.ToolStrip.OnMouseUp(MouseEventArgs mea)
在 System.Windows.Forms.ToolStripDropDown.OnMouseUp(MouseEventArgs mea)
在 System.Windows.Forms.Control.WmMouseUp(Message& m, MouseButtons button, Int32 clicks)
在 System.Windows.Forms.Control.WndProc(Message& m)
在 System.Windows.Forms.ScrollableControl.WndProc(Message& m)
在 System.Windows.Forms.ToolStrip.WndProc(Message& m)
在 System.Windows.Forms.ToolStripDropDown.WndProc(Message& m)
在 System.Windows.Forms.Control.ControlNativeWindow.OnMessage(Message& m)
在 System.Windows.Forms.Control.ControlNativeWindow.WndProc(Message& m)
在 System.Windows.Forms.NativeWindow.DebuggableCallback(IntPtr hWnd, Int32 msg, IntPtr wparam, IntPtr lparam)
在 System.Windows.Forms.UnsafeNativeMethods.DispatchMessageW(MSG& msg)
在 System.Windows.Forms.Application.ComponentManager.System.Windows.Forms.UnsafeNativeMethods.IMsoComponentManager.FPushMessageLoop(Int32 dwComponentID, Int32 reason, Int32 pvLoopData)
在 System.Windows.Forms.Application.ThreadContext.RunMessageLoopInner(Int32 reason, ApplicationContext context)
在 System.Windows.Forms.Application.ThreadContext.RunMessageLoop(Int32 reason, ApplicationContext context)
在 System.Windows.Forms.Application.Run(Form mainForm)
在 DataDig.Program.Main() 位置 D:\Mike的程序\数据挖掘\DataDig\DataDig\Program.cs:行号 17
在 System.AppDomain.nExecuteAssembly(Assembly assembly, String[] args)
在 System.AppDomain.ExecuteAssembly(String assemblyFile, Evidence assemblySecurity, String[] args)
在 Microsoft.VisualStudio.HostingProcess.HostProc.RunUsersAssembly()
在 System.Threading.ThreadHelper.ThreadStart_Context(Object state)
在 System.Threading.ExecutionContext.Run(ExecutionContext executionContext, ContextCallback callback, Object state)
在 System.Threading.ThreadHelper.ThreadStart()
Minidxer Says:
March 20th, 2008 at 9:57 am
@Qipeng Tian
看错误信息应该是找不到这个Com组件，上面的第一步注册时是否正常？
pp Says:
March 25th, 2008 at 5:06 pm
正在生成代码…
正在编译…
ExtractText_i.c
e:\lab\\ExtractText_i.c(66) : warning C4005: “MIDL_DEFINE_GUID” : 宏重定义
e:\lab\ExtractText_i.c(43) : 参见“MIDL_DEFINE_GUID”的前一个定义
e:\lab\ExtractText_i.c(83) : fatal error C1010: 在查找预编译头指令时遇到意外的文件结尾
在vc2005上测试没有问题，在2003上却冒出这个问题。
不知道哪里没设置好。包含”stdfax.h”也不行。
Minidxer Says:
March 25th, 2008 at 5:23 pm
这个错误一般就是没有包含#include “stdafx.h”吧。
cpp文件中都已经 #include “stdafx.h” 还是一样的错误的话，那在 ExtractText_i.c 中也加入试试看。
Minidxer Says:
March 25th, 2008 at 5:27 pm
还有一个方法是
工程的 “创建\使用预编译头”属性改为“不使用预编译头”
pp Says:
March 25th, 2008 at 10:03 pm
谢谢，vc2003中加入stdafx.h后，ExtractText_i.c(23)：fatal error C1853: “Debug/desktop-search4w.pch”预编译头文件来自编译器的早期版本，或者预编译头为 C++ 而在 C 中使用它(或相反)
是不是vs2003中少了什么设置，ExtarctTetx_i.c这个文件在vs2005中貌似不参加编译的，因为build中没有complie选项，但是在vs2003中却参加了编译。不知是怎么回事。
Minidxer Says:
March 25th, 2008 at 10:28 pm
“不使用预编译头”的设置呢？也不可行吗？
这个其实纯粹是编译器上的区别，和Com组件应该没有关系的……
还是不行的话过两天我抽空做一个VS2003的DEMO放出来吧。
Minidxer Says:
March 29th, 2008 at 9:34 pm
VS2003的工程请参照：
http://blog.minidx.com/2008/03/29/655.html
pp Says:
April 2nd, 2008 at 8:37 pm
我在程序中使用抽取文本的com组件在函数中能能够能够使用，因为要多次调用现在我想在一个类中封装使用以减少初始化的开销
ITextExtractor *te = NULL;
HRESULT hr;
hr = CoInitialize(0);

if(SUCCEEDED(hr))
{
hr = CoCreateInstance( CLSID_TextExtractor, NULL, CLSCTX_INPROC_SERVER, IID_ITextExtractor, (void**) &te);
}
被封装进类的构造函数中，hr,te为成员变量
CoUninitialize();
hr = te->Release();
被封装进析构函数中。
但是我在其它成员函数中调用 hr = te->ExtractText(fileName, (long)lFileSize, &cval)；失败，调试的时候te指向一个地址。但是抽取
不了内容，不知为何。
我猜想是不是CoCreateInstance()调用后，te指向的地址是不是变动了，是不是需用重新使用什么queryinterface()函数？还望指教？谢谢！
Minidxer Says:
April 2nd, 2008 at 9:00 pm
是不是你的封装类中stack和heap问题？
方便的话把你写的这个部分代码让我看看
pp Says:
April 3rd, 2008 at 9:41 am
CScan::CScan(void)
{
m_pTE = NULL;
m_hr = CoInitialize(0);

if(SUCCEEDED(m_hr))
{
m_hr = CoCreateInstance( CLSID_TextExtractor, NULL, CLSCTX_INPROC_SERVER,IID_ITextExtractor, (void**) &m_pTE);
}
}
CScan::~CScan(void)
{
m_hr =m_pTE->Release();
// Uninitialize COM
CoUninitialize();
}
提取文本的成员函数：
bool CScan::extractText(const tchar* path,char** content)
{
CString strFileName(path);

BSTR fileName = strFileName.AllocSysString();
BSTR cval = NULL; // extracted text
// Now we will intilize COM
m_hr = m_pTE->ExtractText(fileName, (long)1000, &cval);
if (cval)
{
*content = _com_util::ConvertBSTRToString(cval);
SysFreeString(cval);
return true;
}
else return false;
}
调试到m_hr = m_pTE->ExtractText(fileName, (long)1000, &cval)时
cval是空指针。
Minidxer Says:
April 4th, 2008 at 8:54 am
问题应该出在CoCreateInstance上吧，CoCreateInstance是系统只保存一个COM实例的时候使用的，并且Com组建只要初始化一次就可以了。创建多个的应该是CoGetClassObject，或者你可以用单一模式/单态模式(Singleton)实现试试看

上面的分析我没有动手实际确认过，所以期待你的反馈。有时间的话我会做一个封装类的Sample发布。
pp Says:
April 4th, 2008 at 11:49 am
强烈赞扬老大这种精神。
我就是用的单件模式实现cscan类的。实例通过静态public函数返回
static CScan* getInstance()
{
static CScan INSTANCE;
return &INSTANCE;
}
现在就是说：
bool CScan::extractText(const tchar* path,char** content)
{
CString strFileName(path);
BSTR fileName = strFileName.AllocSysString();
BSTR cval = NULL; // extracted text

m_pTE = NULL;
m_hr = CoInitialize(0);
if(SUCCEEDED(m_hr))
{
m_hr = CoCreateInstance( CLSID_TextExtractor, NULL, CLSCTX_INPROC_SERVER, IID_ITextExtractor, (void**) &m_pTE);
}
m_hr = m_pTE->ExtractText(fileName, (long)1000, &cval);

m_hr =m_pTE->Release();
// Uninitialize COM
CoUninitialize();
if (cval)
{
*content = _com_util::ConvertBSTRToString(cval);
SysFreeString(cval);
return true;
}
else return false;
}
这样是可以成功的，但是由于扫描调用函数太频繁。由于com对象不断创建释放。慢的难以忍受。
所以想一次初始化，重复使用。从道理上讲是可以的，因为dll已经载入到进程内。但是简单把初始话封装到构造和析构函数行不通。问题肯定是出在cocreateInstance()函数身上。可能就是每次调用函数结束，cocreateInstance()返回的函数指针指向的空间被释放了?也就是上述中m_pTE指向的地址被释放了？
不知道有没有其他的api防止这一点。
还请指教。
Minidxer Says:
April 13th, 2008 at 11:00 pm
@pp
参考下面的文章吧:

http://blog.minidx.com/2008/04/13/712.html
重复使用并没有问题.
Zuckle8181 Says:
August 29th, 2008 at 4:34 pm
我使用它，对eml中的文本信息进行提取，中文效果很好，可是日文，却显示乱码，请问怎么能使日文正常显示
Minidxer Says:
August 29th, 2008 at 4:40 pm
@Zuckle8181
显示的时候你是用什么编码显示的？
抽取出来的文本是Unicode编码的，ASCII模式下的话将会是乱码

Trackbacks

利用Minidx Extract-Text Com组件从doc,Xls,Pdf……等读取文本内容VC2003 Demo - 全文检索博客

中文Flex例子