Конференция VBStreets

**SSecurity** » 16.07.2007 (Пн) 14:21

Всем привет!

Вопрос бонален - нужно открыть 20000 файлов DOC переделать и сохранить в HTML вопрос переделки для меня не актуален - поскольку она уже функционирует.

Актуальным для меня является вопрос бинарного чтения содержания DOC файла ... естественно без участия Word.
Почему-то мне кажется что так будет несколько быстрее чем файл открывать через Word.Application (150 файлов ~ 30 МБ ~ 15 минут при 1 Гц и ОЗУ в 256 МБ).

Туманные описание формата в сети видел, но оно мне показалось оооочень запутанным, поэтому буду рад любой помощи

С уважением,
жду ответов
Сергей

**alibek** » 16.07.2007 (Пн) 14:34

http://doc2txt.com/

**SSecurity** » 16.07.2007 (Пн) 14:44

Меня мягко говоря смущает 2 вещи:
1. Хотелось бы потратить 29$ на другие цели
2. Там не контрол к тому же

С Уважением,
Сергей

**jangle** » 16.07.2007 (Пн) 14:45

Doc файл - это COM Storage, значит можно открыть в нем соответсвующую ветку и прочитать текст. Ключевое слово для поиска в гугле - COM Storage

**SSecurity** » 16.07.2007 (Пн) 14:49

Тогда встречный вопрос
olelib.dll есть у кого?

**keks-n** » 16.07.2007 (Пн) 14:53

olelib.tlb

**SSecurity** » 16.07.2007 (Пн) 14:59

Всем большое спасибо .... пойду ковыряться:)

**tyomitch** » 16.07.2007 (Пн) 15:44

jangle писал(а):Doc файл - это COM Storage, значит можно открыть в нем соответсвующую ветку и прочитать текст. Ключевое слово для поиска в гугле - COM Storage

Ничерта там не текст лежит.

**jangle** » 16.07.2007 (Пн) 16:18

tyomitch писал(а):
jangle писал(а):Doc файл - это COM Storage, значит можно открыть в нем соответсвующую ветку и прочитать текст. Ключевое слово для поиска в гугле - COM Storage

Ничерта там не текст лежит.

tyomitch - учи матчасть! А это по твоему что?

Я уже просил тебя не прикладывать к каждому сообщению скрин на 100К в формате png, который автоматически открывается в картинку. Замечание хотишь по всей форме? --GSerg

**jangle** » 16.07.2007 (Пн) 19:57

Я уже просил тебя не прикладывать к каждому сообщению срин на 100К в формате png, который автоматически открывается в картинку. Замечание хотишь по всей форме? --GSerg

Вообще-то атач должен открыватся по клику на нем, то что он открывается автоматом, наверное глюк форума

**tyomitch** » 16.07.2007 (Пн) 20:01

запакуй да прикрепи архив...

**jangle** » 16.07.2007 (Пн) 20:04

tyomitch писал(а):запакуй да прикрепи архив...

Да нафиг надо, ты же наверное видел, что буквы лежата в Storage открытым текстом, правда кирилица в - Unicode.

**tyomitch** » 16.07.2007 (Пн) 20:16

Ты же наверное видел, что они там перемежаются мусором, извлечь из которого только один текст нереально, не зная формата.

**jangle** » 16.07.2007 (Пн) 20:36

tyomitch писал(а):Ты же наверное видел, что они там перемежаются мусором, извлечь из которого только один текст нереально, не зная формата.

Был где-то код, который потрошит DOC файлы, вытаскивает из них все вплоть до VBA макросов. Storage по структуре похож на иерархическую БД, зная названия отдельных стримов можно распарсить его и вытащить текст. Я сам так использовал сторажи, сохранял в них текстовые данные, а потом загружал от туда.

**SSecurity** » 16.07.2007 (Пн) 22:04

я примерную структуру DOC видел ... там документ, макросы и т.п. ....
интересно, а картинки он побитово впихивает или как-то сжимает

Юникода много видел ...

**SSecurity** » 16.07.2007 (Пн) 22:17

+ трабла 3 (ink-овые файлы это C или .Net)?
не смог у себя ТЛБ зарегить.

Наверно совсем ЧАЙНИК я

**jangle** » 17.07.2007 (Вт) 9:32

я примерную структуру DOC видел ... там документ, макросы и т.п. .... интересно, а картинки он побитово впихивает или как-то сжимает

Никак он картинки не сжимает, как есть, так и сохраяет.

не смог у себя ТЛБ зарегить

Подключи ее через Reference к своему проекту, и ее зарегит VB

**Хакер** » 17.07.2007 (Вт) 11:19

tyomitch - учи матчасть!

...

Вообще-то атач должен открыватся по клику на нем, то что он открывается автоматом, наверное глюк форума

jangle - учи матчасть!

Аттач никому ничего не должен. Поведение аттача зависит от конфигурации расширения файла и группы расширений.

А именно, от настройки данного параметра:

Показывать картинки в почтах
Выберете, или показывать картинки прямо в почте (да) или давать только ссылки на картинки ?

(Фу, блевать от такого перевода хочется

. Должно быть так: "Вывод изображений |Показывать ли изображение непосредственно в сообщении (да) или выводить ссылку на него" )

Однако, есть возможность установить макс. размер изображения (x*y), которое будет отображаться. Остальные изображения, размер которых привышает эти велечины, будут заменены на ссылки.

**jangle** » 17.07.2007 (Вт) 11:37

Вот скрин, для тех кто хочет убедится, что текст в стораже хранится в виде байтового массива. Cтрим - WordDocument, смещение &H800. Кирилица хранится в UNICODE

http://rg.foto.radikal.ru/0707/5b/8d8244c1ef61.jpg

**tyomitch** » 17.07.2007 (Вт) 12:38

Да я не спорю, что текст там тоже лежит, в числе прочего.
Я говорю, что ты его оттуда не извлечёшь просто так.

**SSecurity** » 17.07.2007 (Вт) 12:52

насколько я понимаю речь идет о том, что текст - не есть все то что идет после смещения &H800 в примере jangle

Так например если в тексте есть картинки, рисунки, формулы ... это ведь должно отразиться в документе?

tyomitch, а может он прав, тогда все что ам есть - это содержание WordDocument.Content.Text а фоматирование формулы и прочая пакость вставляется потом, как нить потом ... ну как нить так ...

после загрузкитекста.

В этом случае вытащить текст будет не сложно. если его длину знать и знать откуда читать.

**tyomitch** » 17.07.2007 (Вт) 13:17

Нет, он не прав. У меня есть документ, где текст в этом стриме разбит на две части с промежутком в пять килобайт мусора между ними.
Он у меня, кстати, начинается со смещения A00; как предложите угадывать настоящее смещение начала текста?

Пусть посмотрит какой-нибудь реальный документ, а не болванку в одну строчку; может быть, на него снизойдёт озарение.

**SSecurity** » 17.07.2007 (Вт) 13:47

А этот текст я вытащил с док-файла со смещения &H500 ровно в таком виде как он есть ... голая кирилица в чистом виде.

Код: Выделить всё: PRIVATEФОРЕКС-ВЫСОКОПРИБЫЛЬНЫЙ РЫНОКPRIVATEЦель торговлиЦель торговли на любом рынке - купить товар дешевле, а продать дороже. Не составляет исключения и

в другом файле при просмотре под ДОСом отчетливо увидел вот что:

Код: Выделить всё: F O R E X ...

начиная со смещения &H600

**jangle** » 17.07.2007 (Вт) 14:01

SSecurity - лови ссылку на "Внутренний формат документов MS WORD" http://www.uinc.ru/articles/39/index.shtml
Статья прямо для тебя

**jangle** » 17.07.2007 (Вт) 14:05

И еще в догонку, http://genrep.nm.ru/xls/xls.htm тоже по форматам данных в оле сторажах

Примеры на С++, http://www.firststeps.ru/mfc/activex/r.php?58

Вобщем если есть желание, разобраться можно.

**SSecurity** » 17.07.2007 (Вт) 14:06

Спасибо, jangle эта статья у меня уже была, но всеравно спасибо. Там кстати в конце есть ссылочка на VBA реализацию.

**xenomorph** » 08.09.2007 (Сб) 22:53

К сожалению VBA_MD_Example.zip битый линк.
А тема до жети актуальна!

1. Если кто-нить успел качануть файл - приложите пожалуйста!
2. 2SSecurity как прогресс с проблемой?
--
Заранее спасибо!

**SSecurity** » 09.09.2007 (Вс) 3:11

вообщем посоветовался с заказчиком ... расписал красоты проблем ... и он теперь работает с программой через Ворд.Аппликэйшен .... у него машинка нормальная стоит

))и файлов 60000 штук постепенно обрабатывает

Но суть вопроса остается - уже не в практической а в теоретической области.

Конференция VBStreets

DOC2TXT без Word.Application (в поиске уже смотрел)

DOC2TXT без Word.Application (в поиске уже смотрел)

Ку

Кто сейчас на конференции