コンテンツにスキップ

Word

扱うこと: Word 文書の旧形式（.doc 等）の変換、ページ・ヘッダー/フッター・脚注・図形・コメントごとの読み取りと TSV の場所。扱わないこと: Word・PowerPoint に共通の処理（Word・PowerPoint の共通処理と Office アプリの管理）、PowerPoint 固有の処理（PowerPoint）。先に読むページ: Word・PowerPoint の共通処理と Office アプリの管理。

Word・PowerPoint で共通の処理（抽出の流れ・起動と終了・ファイルの読み取り）は Word・PowerPoint の共通処理と Office アプリの管理 を参照。

Word 文書の旧形式（.doc 等）の変換（Word の旧形式の変換）、本文のページ・ヘッダー/フッター・脚注・図形・コメントごとの読み取り（Word のテキスト読み取りと TSV の場所）、Word に固有の注意点（Word の注意点・既知の問題）を扱う。

flowchart TD
    A["extractDocument（共通）"] --> B{"中身が ZIP？"}
    B -- はい --> D["readDocxUnits で読む"]
    B -- いいえ --> C["extractWithWord で<br>.docx に変換"] --> D
    D --> E["writeUnits で場所ごとの TSV を出力"]

Word の旧形式の変換（extractWithWord）

Word・PowerPoint の抽出処理で ZIP ではないと判定したファイル（.doc、パスワード付き（Word は開かせずに失敗）、拡張子と中身が異なるもの、暗号化の種類が「形式の分からないバイナリ」（暗号化されたファイルの判定）で予備を使うもの）を、Word で .docx に変換する。

項目 仕様
開き方 Documents.Open(パス, ConfirmConversions=False, ReadOnly=True, AddToRecentFiles=False, パスワード類="dummy", ..., Format=省略時は自動判定, ..., Visible=False)
パスワード付きファイル（新形式） 暗号化されたファイルの判定で判定し、開かずに失敗にする（今までの「ダミーのパスワードで開いて失敗」はしない）。旧形式（.doc）のパスワード付きは今までどおりダミーのパスワードにより「パスワードが正しくありません」の例外
Format（「形式の分からないバイナリ」のときだけ） 拡張子に合う WdOpenFormat の値に固定する（getWordOpenFormat。例: .docx → 9 = wdOpenFormatXMLDocument、.doc → 1 = wdOpenFormatDocument）。自動判定（既定値）に任せると、文字コードを選ぶダイアログが出たり、暗号文をテキストとして読んだりすることがあるため
保存 Repaginate() でページ割りを確定させてから SaveAs2(converted.docx, 12 = wdFormatXMLDocument)。保存した .docx の先頭が ZIP でなければ「一時ファイルを暗号化した」に失敗にする（暗号化されたファイルの判定の testOfficeOutput）
アプリの設定 Visible = False、DisplayAlerts = 0（wdAlertsNone）、AutomationSecurity = 3
  • Repaginate() を呼ぶのは、保存時に記録されるページ区切り（Word のテキスト読み取りと TSV の場所 のページの目安）を確定させるため。呼ばないと、同じ内容の文書でも変換のたびにページ区切りの位置が変わることがある（◎）。
  • 「形式の分からないバイナリ」は、コピーの拡張子を元のまま開く（旧形式のように source.doc へ付け替えない）。開けなかったとき・保存の出力が ZIP でないときは、元の例外をインデックス作成ログに書き、暗号化されているか壊れているため取り込めません。 に言い換える。

Word のテキスト読み取りと TSV の場所（readDocxUnits）

.docx は Word・PowerPoint のテキスト読み取りの共通の読み取り（readXmlLines、WordprocessingML の名前空間 w:）で読み、次の場所ごとに TSV にする。

場所 読み取り元
ページNNN word/document.xml（本文）
ヘッダー・フッター word/header*.xml → word/footer*.xml の順。セクションごとに同じ内容が並ぶため、重複する行は除く
脚注 word/footnotes.xml・word/endnotes.xml（区切り線は文字が無いため出力されない）
ページNNN[図形] 本文のテキストボックス・図形内の文字（w:txbxContent）、SmartArt（dgm:relIds の r:dm が指す word/diagrams/dataN.xml）、グラフ（c:chart の r:id が指す word/charts/chartN.xml のタイトル・軸ラベル・系列名。項目名・数値は読まない）。図形 1 つを 1 行にし、段落はスペースでつなぐ。ページは図形を置いた段落のページ
ページNNN[埋め込みN] 本文に埋め込んだ Office のファイル（.xlsx・.docx・.pptx など）の中の文字。読み方は下の「埋め込みの読み取り」
ページNNN[コメント] word/comments.xml のコメント（返信も 1 件ずつ）。ページは本文の w:commentReference の位置。本文に参照の無いコメント（ヘッダー・脚注に付けたもの等）は 文書[コメント] にまとめる。作成者名は読まない
  • 図形・コメントの場所の決まりは インデックスのファイルの形の「図形・コメントの場所」。SmartArt は描画用の diagrams/drawingN.xml に同じ文字があるが、重複するため読まない。
  • ヘッダー・フッター・脚注の中のテキストボックスは、[図形] に分けずにその場所の行にする。
  • 埋め込みは本文だけから探す。ヘッダー・フッター・脚注に埋め込んだものは読まない。
  • ページ番号は目安。ファイルにはページの情報が無いため、以下で数える。
  • Word が保存時に記録したページ区切り（w:lastRenderedPageBreak）。本文にこれが 1 つも無い（Word 以外で作られた）文書では使わない。
  • 手動の改ページ（w:br w:type="page"）・段落前で改ページ（w:pageBreakBefore）・セクション区切り（種類が「連続」以外）。これらの直後、本文が出る前にある w:lastRenderedPageBreak は同じ区切りなので数えない（Word は手動の改ページの後に w:lastRenderedPageBreak を記録する場合としない場合がある ◎）。
  • 段落・表の行は、最初の文字があるページに属する。

埋め込みの読み取り（readEmbeddedObjectLines）

scripts/shared/office/office_embedded.ps1。本文の埋め込みオブジェクト（w:objectEmbed、o:OLEObject の Type="Embed"）のうち、リレーションシップの種類が package のもの（OOXML の word/embeddings/*.xlsx *.docx *.pptx）の中の文字を、その埋め込みがあるページの ページNNN[埋め込みN] に入れる。COM は使わない。

  • 形式は中身で決める。 ZIP の先頭（PK）を確かめ、xl/workbook.xml があれば Excel、word/document.xml なら Word、ppt/presentation.xml なら PowerPoint として読む。どれでもなければ、何も出さず読み飛ばす（失敗にしない）。
  • Excel のブック: 表示のシートの文字のセル（共有文字列・インライン文字列・数式の文字）を、1 行 1 行、セルをタブでつないで出す。数値・非表示のシートは読まない。埋め込みのブックは、表示範囲の外のセルや、埋め込んだときに見えていない別の表示シートの文字も検索される（見えている範囲だけが検索結果に出るわけではない）。
  • Word・PowerPoint の文書: 本文の文字を読む。その中にさらに埋め込んだものは読まない（深さは 1 段まで）。
  • 番号 N: 1 ファイルの中の通し番号。同じ部品を指す参照は 1 回だけ読み、参照の順に 1 から振る（読む前に振るので、読めなかったものは欠番になる）。
  • サイズの上限: 埋め込んだファイルは、部品ごと・合計の上限（安全のための検査）の中で読む。埋め込んだ部品の大きさをヘッダーの申告だけで信じず、読んだ量でも数える（埋め込みのシートも readZipEntryBytes で読む）。埋め込みから出す行の文字数にも、親の 1 ファイルの全埋め込みの合計で上限（32M 文字）を付ける。部品ごとの上限・出す量の上限や壊れた XML・壊れた ZIP は、その埋め込みだけ読めなかったことにして記録し（インデックス作成ログに 埋め込みを読み取れませんでした）、本文とほかの埋め込みは読む。合計の上限は、ほかの部品と同じくファイル全体を失敗にする。
  • 旧形式（.doc）は Word が新形式に変換して保存したあとに読む。実機で、Excel のブックを埋め込んだ .doc を .docx に変換すると package として残り、[埋め込みN] で読めることを確かめた。旧形式の .ppt は、変換後の .pptx に埋め込みが package として残らず、読めない。

TSV の例（配置・命名の規則は インデックスのファイルの形。クロール対象フォルダが C:\data\営業（インデックス名 営業）の場合）:

元ファイル（クロール対象フォルダからの相対パス） 場所 出力 TSV
報告書.docx 2 ページ目 work/store/content/営業/報告書.docx/page_002.tsv
報告書.docx ヘッダー・フッター work/store/content/営業/報告書.docx/header_footer.tsv
報告書.docx 脚注・文末脚注 work/store/content/営業/報告書.docx/doc_footnotes.tsv
  • ページ番号は 3 桁以上の 0 埋め（ファイル名の順 = ページの順）。