Skip to content
Office Oxide

Extrair metadados do documento

Todo formato Office traz um conjunto pequeno de “core properties” — autor, data da última modificação, título, assunto, palavras-chave — mais um conjunto estendido específico por formato. Office Oxide expõe os dois.

Formato e info básica

O handle Document expõe nome do formato e contagens (planilhas, slides, seções):

Python

from office_oxide import Document

with Document.open("report.docx") as doc:
    print(doc.format)            # "docx"
    print(doc.detect_format())   # confirma via 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

Em formatos OOXML, as core properties ficam em docProps/core.xml. Vá no acessor específico do formato:

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);
}

O mesmo accessor core_properties() existe em as_xlsx() e as_pptx().

Go

Go expõe as core properties via o IR JSON unificado:

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());

Propriedades estendidas (app)

docProps/app.xml guarda metadados estendidos: páginas, palavras, parágrafos, slides, nome e versão da aplicação, hyperlinks, etc.

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)

Para PPTX, app_properties() expõe slides, notes, presentation_format, etc. Para XLSX, expõe a lista de nomes das planilhas.

Propriedades customizadas

core_properties() e app_properties() cobrem os conjuntos padrão. Para chaves customizadas definidas pela aplicação (configuradas via “Propriedades do documento → Propriedades avançadas” no Word), use:

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

Formatos legados

DOC, XLS e PPT armazenam metadados nos streams OLE2 \005SummaryInformation e \005DocumentSummaryInformation. Office Oxide parseia tudo para a mesma forma de core_properties():

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

Por que importa

  • Indexação para busca — título, autor e palavras-chave alimentam descoberta de documentos.
  • Compliance — última modificação, criador e histórico de revisão alimentam audit trails.
  • Deduplicação — autor + título + data de criação é uma fingerprint barata mas eficaz.
  • Remoção de PII — leia core properties antes de publicar, depois use EditableDocument para limpá-las.

Veja também