关于Office系列文件文字内容的提取

本文主要通过接口的方式获取Office文件和PDF、OFD文件的文字内容。适用于需要获取Word、OFD、PDF、PPT等文件内容的提取实现。例如在线文字统计以及论文文字内容的提取。

一、提取Word及WPS文档的文字内容。

支持以下文件格式：

文档类型	文件格式	支持与否
word	.doc、.docx、.wps、.rtf	✔
ppt	.ppt、.pptx、.pps	✔
pdf	.pdf	✔
ofd	.ofd	✔
excel	.xls、.xlsx、.et	✔

请求地址：https://vw.usdoc.cn/
请求方式：GET
请求参数:

字段名称	字段类型	必填参数	说明
src	string	是	文件地址，即需要提取的文档地址。如：https://usdoc.cn/vw/文件模板.docx
words	.string	是	words=all 提取全部内容 words=pag 以分页的形式对内容分页提取

公共响应参数：

字段名称	类型	描述
code	numbe	code请求码，200表示正常
words	string	错误描述信息，用来帮助理解和解决发生的错误。
data	object	响应参数

响应参数：

字段名称	字段类型	描述	示例
fileName	string	文件名称	文件模板.docx
fileSize	numbe	文件大小，单位为字节	words=all 提取全部内容 words=pag 以分页的形式对内容分页提取
pageCount	numbe	文档页数，文件有多少页内容	3
content	string	文档内容	关于国庆节放假安排的通知（在线预览）\r\r主送机关全称：…（usdoc在线预览）

代码示例一：

提取全部内容，不分页返回

//请求接口地址：https://vw.usdoc.cn/
//参数： words=all
//完整的转换地址如下,可以将如下地址放在浏览器请求

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": [
            "关于国庆节放假安排的通知（在线预览）\r\r主送机关全称：......（usdoc在线预览）\r文件正文。其致一也。后之览者，亦将有感于斯文。"
        ]
    }
}

代码示例二：

以分页的方式提取全部内容，分页返回

//请求接口地址：https://vw.usdoc.cn/
//参数： words=pag
//完整的转换地址如下,可以将如下地址放在浏览器请求

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": [
            "关于国庆节放假安排的通知（usdoc在线预览）文件正文。...10月1日至7日放假调休，......三级标题（空两格）\r（1）四级标题（空两格）",
            "当否，请批示。\r附件：1、\r          2、\r\r\rusdoc文档在线预览服务\r2022年10月10日\r\r\r\r\r\r（联系人：×××，联系电话：××××）",
            "兰亭集序\r\r永和九年，岁在癸丑，暮春之初，会于会稽山阴之兰亭，修禊......，亦将有感于斯文"
        ]
    }
}