# zdocument_text

**Repository Path**: mailfilter/zdocument_text

## Basic Information

- **Project Name**: zdocument_text
- **Description**: 解开各类压缩包, 解析各类文档为文本和资源(主要是图片)
- **Primary Language**: C++
- **License**: GPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2021-02-23
- **Last Updated**: 2021-02-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

<A name="readme_md" id="readme_md"></A>

## 简介

[ZDOCUMENT_TEXT](https://gitee.com/linuxmail/zdocument_text) 是一个文档解析库

开源: https://gitee.com/linuxmail/zdocument_text

## 目标

* 解开各类压缩包, 解析各类文档为文本和资源(主要是图片)
* 解出的文本不关注样式, 适用于机器学习,分词等, 不适合展示

## 背景

* 在邮件反垃圾系统中, 需要解析附件(文档,压缩包,图片), 获取文本, 获取文件类型

## 支持的压缩包类型

* z, 7z, gz, tar, tgz, zip/arj/zipx, rar/lzh,

## 支持的文档类型

* doc/dot/wps/wpt, ppt/pps/dpt/dps, xls/xlt/ett/et
* docx/docm/dotx, pptx/pptm, xlsx/xlsm
* odt, odp, ods, xps
* xmldoc, xmlxls
* rtf
* pdf

## 不支持图片解析为文本

* 请用其他专门的库处理, 如 tesseract

## 不支持邮件解析为文本

* MIME(eml)格式请参考 https://gitee.com/linuxmail/lib-zc/blob/master/doc/mime.md
* TNEF(winmail.dat)格式请参考 https://gitee.com/linuxmail/lib-zc/blob/master/doc/tnef.md

## 不支持HTML解析为文本

* 推荐使用 gumbo 库处理

## 依赖开源库: lib-zc

* 下载: https://gitee.com/linuxmail/lib-zc, 和 zdocument_text 放在同级目录
* 编译: cd lib-zc; make

## 依赖开源库: 其他 

* libminizip, libtar

## 编译

进入目录直接 make, 得到

* zdocument_text.h (头文件)
* libzdocument_text.a (静态库)
* libzdocument_text.so (动态库)
* document_text (例子, 演示效果)
* simple (例子, 简单使用)

## 例子源码

* https://gitee.com/linuxmail/zdocument_text/blob/master/test/document_text.cpp

## 例子使用

```
./document_text [文档类型] 文件名 [解析深度]

USAGE ./document_text [ file_format ] pathname [ depth ]
EXAMPLE:
      ./document_text doc some_filename
      ./document_text doc some_filename 3
      ./document_text some_filename 2
      ./document_text some_filename
```

## 函数(对象)介绍

* 参考 https://gitee.com/linuxmail/zdocument_text/blob/master/zdocument_text.h

## 简单使用

* 参考 https://gitee.com/linuxmail/zdocument_text/blob/master/test/simple.cpp