读doc，docx，pdf的C程序 我想在C（C，不是C++或java）中编写一个程序，它将读取DOC、DOX、PDF，并希望在GITHUB上使用，以供所有需要该代码的人使用。所以我从.doc文件开始，我探索过，如果我用简单的记事本打开.doc文件，它将显示所有文本，但只显示一些额外的内容，您可以很容易地修剪它们。所以我确实编写了一个简单的c程序，在“r”和“rb”模式下读取.doc wile，但这两次它都只给了我文件中的5-9个字符，而且这些字符也不可读。我不知道为什么会这样。任何评论或讨论都会对我很有帮助

这里是github的链接。请帮助我完成所有三种格式。< /强>

< p>查看<代码> doc < /c>文件类型，作为<代码> txt < /c>文件，但在您的内容之前、中、之后有额外的不可打印字符。这些不可打印字符用于定义特殊格式、元数据和其他信息

如上所述，所有

.doc

文件都遵循一定的结构

如果在十六进制编辑器中打开两个不同的

.doc

文件，您会注意到两个文件的文本内容都从文件开头的偏移量

0xA00

（2560字节）开始。这意味着，当您最初打开文件时，可以忽略文件的前2560字节（查看

fseek（）

函数）

从这一点开始，您可以读取文件的内容，直到到达

'\0'

我还没有看到

.pdf

或

.docx

文件的实现，但是您可以使用十六进制编辑器打开这两个文件，并找出可以使用什么模式来隔离文件的重要内容

希望这有帮助

编辑：您始终可以找到有关要操作的不同文件格式的文档。以下是PDF文件类型的规范：

---

别指望这个主意会有什么结果。doc是一种庞大的二进制文件格式，解析起来异常复杂。尽管如此，Cubia提到了文档文本部分开始的偏移量。我不熟悉格式的细节，但如果原始文本包含在一个位置，请使用

fseek

获取它，并在到达末尾时停止。其他格式不会是这种情况，因为它们非常不同

.docx和.pdf应该更容易解析，因为它们是更现代的格式。如果您想从docx中读取任何内容，您需要从包含大量xml的zip文件中读取内容，并使用解析器找出您想要的文本

.pdf应该是三个库中最简单的一个，因为你可能会找到一个几乎可以做你想做的事情的库

至于为什么从程序中得到奇怪的输出，请记住.doc是一种二进制格式，从您的角度来看，绝大多数数据都是垃圾。将其转储到终端将产生可读的文本，但也会产生一堆控制字符，这些字符会与终端发生冲突

---

最后，请注意-不要尝试使用

fread

直接读取docx文件-它们是压缩的，因此您可能无法恢复未更改的文本。看看libarchive。另外-希望必须阅读文档规范。docx似乎是微软对openoffice格式的扩展。请参阅和一些PDF规范文档（有多个版本）。

要回答您的具体问题，您的小应用程序停止阅读的原因是它错误地认为文件中有一个

EOF

字符

看看你的代码：

char ch;
int nol=0, not=0, nob=0, noc=0;
FILE *fp;
fp = fopen("file.doc","rb");
while(1)
{
    ch = fgetc(fp);
    if(ch==EOF)
    {
        break;
    }

将

fgetc（fp）

的结果存储在char类型的变量中，该变量是一个单字节变量。然而，fgetc的结果是非常有目的的“

int

”，而不是“

char

”

fgetc

始终返回0到255范围内的正结果，除非到达文件末尾，在这种情况下，它返回

EOF

，该值通常实现为-1

---

如果读取值为255的字节并将其存储在int中，则一切正常，它存储为值255，循环可以继续。如果将结果存储在一个char中，它将被解释为等于EOF。循环停止。

所有这些格式都使用不同的编码，您必须查找它们。这并不像用

fopen

读取文件并不幸地将其打印出来那么简单。我已经知道了这一点，并且也研究了它们，因为我告诉他们我的第一个问题是reading.doc。我在这里的问题是，为什么我在打开.doc时可以从它的记事本或任何其他文本编辑器中读取文本，而不是在C程序中？将您的问题更改到这种程度是非常糟糕的。这样，你基本上是a）不给任何发现你代码中的问题的人评分，b）你使所有的答案对以后的读者来说完全无用和不可理解（因为您已经通过编辑转到了一个新问题。请在新问题中提出新问题，而不是更改现有问题！我不会更改问题。问题是如何在CY中读取doc fox和PDF您最初的问题是为什么您的代码片段没有正确读取文件，而是停止了。我回答了。之后，您可以让代码变得完全不同。如果你现在说你的问题是如何阅读这三种格式的总和，我会将其标记为过于宽泛，事实就是如此。就像你描述的方式一样，一旦我检查你可以用十六进制编辑器打开这两个文件并弄明白-为什么不改为阅读s指定？我尝试先查找您所说的偏移量0xA00，然后再次尝试读取，但结果是相同的，可能应该将其作为流读取，我不知道。@mkl我已经考虑过了。我做了一些研究，但找不到正确的关键字以获得完整的文档o