Skip to content
Office Oxide

Dokument-Metadaten extrahieren

Jedes Office-Format bringt einen kleinen Satz „Core Properties" mit — Autor, letztes Änderungsdatum, Titel, Thema, Stichwörter — plus einen formatspezifischen Erweiterungssatz. Office Oxide stellt beide bereit.

Format & Basisinfo

Das Document-Handle nennt Format-Namen und Zähler (Sheets, Folien, Abschnitte):

Python

from office_oxide import Document

with Document.open("report.docx") as doc:
    print(doc.format)            # "docx"
    print(doc.detect_format())   # bestätigt per Magic-Bytes

Rust

use office_oxide::{Document, DocumentFormat};

let doc = Document::open("report.docx")?;
assert_eq!(doc.format(), DocumentFormat::Docx);

JavaScript

using doc = Document.open('report.docx');
console.log(doc.format);        // "docx"

Go

doc, err := officeoxide.Open("report.docx")
if err != nil { log.Fatal(err) }
defer doc.Close()

fmtName, _ := doc.Format()   // "docx"
fmt.Println(fmtName)

C#

using OfficeOxide;

using var doc = Document.Open("report.docx");
Console.WriteLine(doc.Format);   // "docx"

Core Properties

Bei OOXML-Formaten leben die Core Properties in docProps/core.xml. Steig in den formatspezifischen Accessor:

Python

from office_oxide import Document

with Document.open("report.docx") as doc:
    docx = doc.as_docx()
    props = docx.core_properties()
    print(props.title)            # str | None
    print(props.author)           # str | None
    print(props.created)          # datetime | None
    print(props.modified)         # datetime | None
    print(props.subject)          # str | None
    print(props.keywords)         # str | None

Rust

use office_oxide::Document;

let doc = Document::open("report.docx")?;
if let Some(docx) = doc.as_docx() {
    let props = docx.core_properties();
    println!("{:?}", props.title);
    println!("{:?}", props.author);
}

Den gleichen core_properties()-Accessor gibt es auf as_xlsx() und as_pptx().

Go

Go stellt Core Properties über die einheitliche JSON-IR bereit:

doc, _ := officeoxide.Open("report.docx")
defer doc.Close()

irJSON, _ := doc.ToIRJSON()
var ir struct {
    Metadata struct {
        Title    string `json:"title"`
        Author   string `json:"author"`
        Created  string `json:"created"`
        Modified string `json:"modified"`
        Subject  string `json:"subject"`
        Keywords string `json:"keywords"`
    } `json:"metadata"`
}
json.Unmarshal([]byte(irJSON), &ir)
fmt.Println(ir.Metadata.Title, ir.Metadata.Author)

C#

using OfficeOxide;
using System.Text.Json;

using var doc = Document.Open("report.docx");
using var ir = JsonDocument.Parse(doc.ToIrJson());

var meta = ir.RootElement.GetProperty("metadata");
Console.WriteLine(meta.GetProperty("title").GetString());
Console.WriteLine(meta.GetProperty("author").GetString());
Console.WriteLine(meta.GetProperty("created").GetString());

Erweiterte (App-)Properties

docProps/app.xml enthält erweiterte Metadaten: Seiten, Wörter, Absätze, Folien, App-Name und Version, Hyperlinks usw.

Python

with Document.open("report.docx") as doc:
    app = doc.as_docx().app_properties()
    print(app.application)   # "Microsoft Office Word"
    print(app.app_version)
    print(app.pages)
    print(app.words)
    print(app.paragraphs)

Für PPTX exposed app_properties() slides, notes, presentation_format etc.; für XLSX die Liste der Sheet-Namen.

Custom Properties

core_properties() und app_properties() decken die Standardsätze ab. Für anwendungsdefinierte eigene Keys (in Word über „Dokumenteigenschaften → Erweiterte Eigenschaften" gesetzt) nimm:

with Document.open("report.docx") as doc:
    custom = doc.as_docx().custom_properties()
    for name, value in custom.items():
        print(name, value)

Legacy-Formate

DOC, XLS und PPT speichern Metadaten in den OLE2-Streams \005SummaryInformation und \005DocumentSummaryInformation. Office Oxide parst sie in dieselbe core_properties()-Form:

with Document.open("legacy.doc") as doc:
    props = doc.as_doc().core_properties()
    print(props.author, props.created)

Warum das wichtig ist

  • Suchindexierung — Titel, Autor und Stichwörter treiben Document Discovery.
  • Compliance — Last-Modified, Ersteller und Revisionsverlauf füttern Audit-Trails.
  • Deduplication — Autor + Titel + Erstelldatum ist ein billiger, aber wirksamer Fingerprint.
  • PII entfernen — vor der Veröffentlichung Core Properties auslesen und mit EditableDocument leeren.

Siehe auch