Skip to content
Office Oxide

从 Office 文档提取文本

Office Oxide 只提供一个入口 — extract_text()（或 Document.open(...).plain_text()）— 对 DOCX、XLSX、PPTX、DOC、XLS 和 PPT 一视同仁。无需针对不同格式分别处理。

一次性调用

最简路径：一个函数调用，打开文件、调用对应格式的提取器，返回字符串。

Rust

use office_oxide::extract_text;

let text = extract_text("report.docx")?;
println!("{text}");

Python

import office_oxide

text = office_oxide.extract_text("report.docx")
print(text)

JavaScript

import { extractText } from 'office-oxide';

console.log(extractText('report.docx'));

Go

import officeoxide "github.com/yfedoseev/office_oxide/go"

text, err := officeoxide.ExtractText("report.docx")

C#

using OfficeOxide;

string text = OfficeOxide.ExtractText("report.docx");

C

int err = 0;
char *text = office_extract_text("report.docx", &err);
if (text) {
    printf("%s\n", text);
    office_oxide_free_string(text);
}

复用句柄

如果需要文本之外还要其他输出（Markdown、HTML、IR），只需打开一次文档，复用同一个句柄：

Rust

use office_oxide::Document;

let doc = Document::open("report.docx")?;
let text = doc.plain_text();
let md   = doc.to_markdown();

Python

from office_oxide import Document

with Document.open("report.docx") as doc:
    text = doc.plain_text()
    md   = doc.to_markdown()

JavaScript

import { Document } from 'office-oxide';

using doc = Document.open('report.docx');
const text = doc.plainText();
const md   = doc.toMarkdown();

C

int err = 0;
OfficeDocumentHandle *doc = office_document_open("report.docx", &err);
if (!doc) { fprintf(stderr, "open failed: code=%d\n", err); return 1; }

char *text = office_document_plain_text(doc, &err);
char *md   = office_document_to_markdown(doc, &err);
/* use text / md ... */
office_oxide_free_string(text);
office_oxide_free_string(md);
office_document_free(doc);

各格式的输出内容

格式 输出
DOCX 按文档顺序的正文 + 页眉页脚；去除软连字符
XLSX 各工作表的单元格值，行内用制表符分隔，工作表之间空一行
PPTX 幻灯片标题、正文占位符、表格单元格和备注 — 每张幻灯片一个段落块
DOC 与 DOCX 相同的结构 — 直接从 CFB piece-table 解析
XLS 与 XLSX 相同的结构 — 直接从 BIFF8 记录解析
PPT 与 PPTX 相同的结构 — 从 PowerPoint Document 流解析

从字节读取（无需临时文件）

适用于 serverless 和流式管道。

Rust

use std::io::Cursor;
use office_oxide::{Document, DocumentFormat};

let data = std::fs::read("report.docx")?;
let doc = Document::from_reader(Cursor::new(data), DocumentFormat::Docx)?;
let text = doc.plain_text();

Python

import requests
from office_oxide import Document

data = requests.get("https://example.com/report.docx").content
with Document.from_bytes(data, "docx") as doc:
    print(doc.plain_text())

JavaScript

import { Document } from 'office-oxide';

const res = await fetch('https://example.com/report.docx');
const data = new Uint8Array(await res.arrayBuffer());
using doc = Document.fromBytes(data, 'docx');
console.log(doc.plainText());

C

/* format must be one of: "docx" "xlsx" "pptx" "doc" "xls" "ppt" (lowercase) */
int err = 0;
OfficeDocumentHandle *doc =
    office_document_open_from_bytes(data, len, "docx", &err);
if (doc) {
    char *text = office_document_plain_text(doc, &err);
    if (text) { printf("%s\n", text); office_oxide_free_string(text); }
    office_document_free(doc);
}

WASM

import { WasmDocument } from 'office-oxide-wasm';

const res = await fetch('https://example.com/report.docx');
const data = new Uint8Array(await res.arrayBuffer());
using doc = new WasmDocument(data, 'docx');
console.log(doc.plainText());

性能

格式 均值 p99 通过率
DOCX（2,538 个文件） 0.8ms 3.9ms 98.9%
XLSX（1,802 个文件） 5.0ms 40ms 97.8%
PPTX（806 个文件） 0.7ms 3.9ms 98.4%
DOC（246 个文件） 0.3ms 3.4ms 94.7%
XLS（494 个文件） 2.8ms 75ms 99.2%
PPT（176 个文件） 0.7ms 6.6ms 100%

完整的基准测试方法请参阅性能。

相关链接