如何迅速统计一批 Word 文档的总页数？

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

V2EX 提问指南

这是一个创建于 1058 天前的主题，其中的信息可能已经有所发展或是发生改变。

想到的是虚拟打印机方法，自己写一个打印机驱动，这样把所有文档都通过 PCL 或者其他格式统计，有没有好用的开源库可以参考？

开源库

打印机

文档

pcl

23 条回复 • 2021-05-25 17:07:22 +08:00

renmu123

2021-05-24 15:09:36 +08:00 via Android

你要不找个你熟悉语言的 word 库，应该能直接统计

YvesX

2021-05-24 15:10:08 +08:00

……直接读文件不行吗

docx 文件可以按 zip 打开，/docProps/app.xml 明明白白地写着当前文件的页面和字数统计信息

Licsber

2021-05-24 15:43:08 +08:00

@renmu123 #1 刚刚试了 python 的 python-docx
遇到了新问题
使用 macOS 无法调用 win32com 将 doc 文件转化为 docx
顺路找到了 antiword 显示我这一个文件不是 Word
故此方案不可行一批文件里同时有 doc 和 docx

XiLingHost

2021-05-24 15:43:36 +08:00

office 套件的文件一般都是 ooxml，你找个对应的库就可以了

Licsber

2021-05-24 15:43:47 +08:00

@YvesX #2 参加#3 回复对于 doc 格式的 Word 文档就无能为力了 sad

Vegetable

2021-05-24 15:49:38 +08:00

全部打印成 PDF 呢？

Licsber

2021-05-24 15:51:48 +08:00

@XiLingHost #4 刚刚看了看文件五花八门的交后缀 wps 都有这样的后缀我还可以打回重交但是 doc 和 docx 总不能限制只提交 docx 吧

YvesX

2021-05-24 15:53:09 +08:00

doc 格式里面存的是二进制文件，也不是把 SummaryInformation 数据拉不出来，应该同样有现成的库可以用

Jirajine

2021-05-24 15:54:47 +08:00 via Android

@Licsber 都 2021 年了，完全不必要 doc 。新版格式各种库和第三方应用的兼容性也更好。

XiLingHost

2021-05-24 15:55:25 +08:00

@Licsber 为啥不可以，doc 都已经是多古老的格式了，让他们直接在 office 里转换啊

Licsber

2021-05-24 15:58:15 +08:00

@Vegetable #6 全部打印成 pdf 也是个办法但是我觉得不优雅造成了两倍的额外空间占用

@YvesX #8 如果是 win 系统可以用 win32api 的话就方便很多可我这是 macOS 当然也可以每次需要统计就开个虚拟机也不优雅

@Jirajine #9 谢谢回复可我要统计的是同学上交上来的文件甚至会有 word2003 保存出来的文档

Licsber

2021-05-24 16:04:10 +08:00

@XiLingHost #10 相较强制所有用 doc 的人全部改成 docx 这样的工作量而言还是收集文档的时候顺带让每个人填一下页数更简便吧强制转化绝对不可行对用户要求太高了

qqjt

2021-05-24 16:19:00 +08:00

libreoffice 有 python sdk 的好像，可以试试。其实没啥可纠结的，windows 电脑操作就完事了

qqjt

2021-05-24 16:20:21 +08:00

@Licsber 统一下用 docx 格式提交，这要求还高？是对刚学电脑的小白来说吗？

Licsber

2021-05-24 16:47:54 +08:00

@qqjt #13 嗯也看到了 libreoffice 的一些方法觉得还是我一开始的想法方便自己造一个虚拟打印机的轮子

@qqjt #14 可以一试但万一有人是很老的电脑就玩完了

renmu123

2021-05-24 17:08:25 +08:00

https://files.catbox.moe/br2s83.png

我用编辑器文本模式打开的 doc，我标注的应该就是页码了，你可以自行测试一下。

Licsber

2021-05-24 18:06:42 +08:00

@renmu123 #16 这个思路有点怪我试了试没看出来什么规律只看到有些东西在不断重复
rels/PK drs/downrev.xmlPK 类似的文本

ihipop

2021-05-24 18:51:17 +08:00 via Android

@Licsber libreoffice 可以读 doc

renmu123

2021-05-24 19:23:41 +08:00 via Android

@Licsber 我标注的这一行应该是文档的一些基础信息，比如有 word 版本，用户信息，页码，还有一些额外的信息我没仔细看，你用 16 进制模式打开应该也能看到。

play78

2021-05-24 19:41:04 +08:00

什么语言？ java 的话，用 poi 。

danbai

2021-05-24 19:49:09 +08:00

通过 aspose 库可行该库付费
Document doc = new Document(file.getInputStream());
int num = doc.getPageCount();

miao1007

2021-05-24 22:04:39 +08:00 via iPhone

先转为 pandoc 然后 wc

Licsber

2021-05-25 17:07:22 +08:00

@ihipop #18 嗯一样要在 macOS 上引入新的工具链我在看虚拟打印机方法了试试魔改开源的 PDF Writer

@renmu123 #19 在我的测试文档下二进制 doc 文件打开类似信息都没找到

@play78 #20 语言不限制常见语言基本都可以快速调起来 demo 就是很难找相关的

@danbai #21 付费库就算了可见这确实是个需求不知道为什么没人开源

@miao1007 #22 pandoc 可以把一页转化为一行么还是第一次见这样的框架