在 RTF 文件中提取 obj 数据的最简单方法答案

【问题标题】：The simplest way to extract obj data in RTF file在 RTF 文件中提取 obj 数据的最简单方法
【发布时间】：2021-03-10 06:14:21
【问题描述】：

我想提取 RTF 文件中嵌入的 OLE 对象。我更喜欢用 Java 实现它，所以我阅读了 Apache Tika RTFParser (1.25 & 2.0-ALPHA) 的文档和源代码，发现 Tika 只是提取文本用于搜索目的，无法获取 obj 数据。或许基于TextExtractor写一些代码是可行的。

然后我也尝试了 this post in C#，但 PackagedObject.Extract 中的 if (type != 3) // 3 is file, 1 is link 出现错误。

谁能帮我弄清楚在 RTF 文件中提取 obj 数据的最简单方法（更少代码）是什么？首选跨平台和服务器端解决方案（Java 或 .net-core）。但是使用Word。 C# 中的应用程序并不重要，因为它依赖于 Word 客户端，有时会意外终止。

【问题讨论】：

标签： java asp.net-core rtf apache-tika

【解决方案1】：

如果您想使用 Apache Tika 提取原始字节，请尝试使用 Tika 应用程序的 -z 命令行选项或使用 tika-server 的 /unpack endpoint。是的，Tika 专注于文本/元数据提取，但它也可用于提取原始嵌入文件。

【讨论】：

【解决方案2】：

您可能会发现这是一个有用的起点：https://github.com/joniles/mpxj/blob/master/src/main/java/net/sf/mpxj/mpp/RTFEmbeddedObject.java#L149

这是为了让 MPXJ 的用户提取嵌入在 RTF 注释中的对象。

【讨论】：

谢谢乔恩。我尝试了上面的代码，但在 RTFEmbeddedObject.RTFEmbeddedObject 中m_data = getData(blocks, length); 处出现错误长度==-1。我意识到，这个问题的核心是根据其格式规范解析嵌入对象，对吗？有没有办法知道嵌入对象的字节长度？