从旧Word文件中提取元数据（从2.0开始）

Question

我必须从很多（我的小型工作示例有数百个，总数可能会是数千个）中提取元数据，主要是Word文件。

这些文件Word版本去从Word 2.0到Word 2007

我必须这样做，在.net 3.5（使用C＃），这是一个当地的WinForms应用程序。

我想可以从最新的OLE自动化（DsoFile.dll）中提取元数据。我和他们中的一些人成功做到了。

问题是DsoFile不支持较早的格式。可能他们不使用OLE。

我做了大量的谷歌搜索，我发现获得我想要的数据的最好方法是使用反义词（http://www.winfield.demon.nl/）。 与antiword我可以调用其进程并收集其输出。它可以提取一些数据，但不是我所需要的。 例如：antiword只给我一个存储的日期，我需要其中的两个。

还有wvware，但我想这只是linux-only。

另一种选择是GNU libextractor，但我不能找到一种方法，在使用.NET上

办公室互操作将是一个绝望的最后一招。我还没有测试过这个选项，但是我猜测这并不是一个当想要处理大量文件并且性能不错的选项。

任何人都可以帮忙吗？如果你需要更多的数据，请问。

对不起，我不是母语的人。

Answer 1

我曾经在商业办公室元数据提取和报告工具上工作。这不是一件容易的事情，尤其是如果你还想删除任何元数据。从它的声音，你只是想报告它，所以这样更好。

从word2000开始，Word文件被存储在OLE复合文档中。网上有很多关于阅读这些文件的文档，但请记住，它只会为您提供一小部分元数据。 word doc中的大多数“肉”在复合doc文件中以大二进制blob存储，并且这些blob的格式是专有的。

网页上有DOC文件格式的文档。

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

但它是一个巨大的天赋和疯狂的复杂。尽管如此，你也许能够找出你需要处理的部分。

较新的DOCX文件更容易处理（并且潜藏的元数据也少得多）。