關于Office系列文件文字內容的提取

本文主要通過接口的方式獲取Office文件和PDF、OFD文件的文字內容。適用于需要獲取Word、OFD、PDF、PPT等文件內容的提取實現。例如在線文字統計以及論文文字內容的提取。

一、提取Word及WPS文檔的文字內容。

支持以下文件格式：

文檔類型	文件格式	支持與否
word	.doc、.docx、.wps、.rtf	?
ppt	.ppt、.pptx、.pps	?
pdf	.pdf	?
ofd	.ofd	?
excel	.xls、.xlsx、.et	?

請求地址：https://vw.usdoc.cn/
請求方式：GET
請求參數:

字段名稱	字段類型	必填參數	說明
src	string	是	文件地址，即需要提取的文檔地址。如：https://usdoc.cn/vw/文件模板.docx
words	.string	是	words=all 提取全部內容 words=pag 以分頁的形式對內容分頁提取

公共響應參數：

字段名稱	類型	描述
code	numbe	code請求碼，200表示正常
words	string	錯誤描述信息，用來幫助理解和解決發生的錯誤。
data	object	響應參數

響應參數：

字段名稱	字段類型	描述	示例
fileName	string	文件名稱	文件模板.docx
fileSize	numbe	文件大小，單位為字節	words=all 提取全部內容 words=pag 以分頁的形式對內容分頁提取
pageCount	numbe	文檔頁數，文件有多少頁內容	3
content	string	文檔內容	關于國慶節放假安排的通知（在線預覽）\r\r主送機關全稱：…（usdoc在線預覽）

代碼示例一：

提取全部內容，不分頁返回

//請求接口地址：https://vw.usdoc.cn/
//參數： words=all
//完整的轉換地址如下,可以將如下地址放在瀏覽器請求https://vw.usdoc.cn/?words=all&src=https://usdoc.cn/vw/文件模板.docx

https://vw.usdoc.cn/?words=all&src=https://usdoc.cn/vw/文件模板.docx

{"code": 200,"msg": "success","data": {"fileName": "文件模板.docx","fileSize": 128967,"pageCount": 3,"content": ["關于國慶節放假安排的通知（在線預覽）\r\r主送機關全稱：......（usdoc在線預覽）\r文件正文。其致一也。后之覽者，亦將有感于斯文。"]}
}

代碼示例二：

以分頁的方式提取全部內容，分頁返回

//請求接口地址：https://vw.usdoc.cn/
//參數： words=pag
//完整的轉換地址如下,可以將如下地址放在瀏覽器請求https://vw.usdoc.cn/?words=pag&src=https://usdoc.cn/vw/文件模板.docx

https://vw.usdoc.cn/?words=pag&src=https://usdoc.cn/vw/文件模板.docx

{"code": 200,"msg": "Success","data": {"fileName": "文件模板.docx","fileSize": 128967,"pageCount": 3,"content": ["關于國慶節放假安排的通知（usdoc在線預覽）文件正文。...10月1日至7日放假調休，......三級標題（空兩格）\r（1）四級標題（空兩格）","當否，請批示。\r附件：1、\r          2、\r\r\rusdoc文檔在線預覽服務\r2022年10月10日\r\r\r\r\r\r（聯系人：×××，聯系電話：××××）","蘭亭集序\r\r永和九年，歲在癸丑，暮春之初，會于會稽山陰之蘭亭，修禊......，亦將有感于斯文"]}
}