使用Java基于数据流直接抽取ppt文本

如下代码是直接基于数据流进行文本抽取，支持powerpoint97-powerpoint2003版本，之后的版本实际都是xml，抽取文本非常简单，因此在此处不再说明，代码仅供研究学习使用，禁止用于商业用途。


public class PPTExtractor {

    public static StringBuilder logBytes = new StringBuilder();

    public static int getPPTDcoument(byte[] ogiBytes, Stream stream, int dirSect1)
    {
        for(int i=0;i<8;i++)
        {
            int offsetEntry = (dirSect1 + 1)*512 + i*128;
            StringBuilder content = new StringBuilder();
            bytesToString(ogiBytes, content, offsetEntry, 64, 0);
            if(content.toString().indexOf("PowerPoint Document") > -1)
            {
                return offsetEntry;
            }
        }
       
        return 0;
    }
   
    public static void bytesToString(byte[] ogiBytes, StringBuilder content, int start, int length, int fc)
    {
        byte[] bytes = new byte[length];
        System.arraycopy(ogiBytes, start, bytes, 0, length);
        if(fc == 0)
        {
            for(int i=0;i<bytes.length;i++)
            {
                if(i == bytes.length - 1)
                {
                    return;
                }
               
                String hexStr = Integer.toHexString(bytes[i+1] & 0xFF) + Integer.toHexString(bytes[i] & 0xFF);
                int ch = Integer.valueOf(hexStr, 16);
                content.append( (char)ch );
                i++;
            }
        }
        else
        {
            for(int i=0;i<bytes.length;i++)
            {
                int ch = bytes[i] & 0xFF;
                content.append( (char)ch );
            }
        }
       
    }
   
    public static void printLogBytes(List<Byte> legaled) throws Exception
    {
        logBytes = new StringBuilder();
       
        logBytes.append("\n========================================================");
        for(int a=0;a<legaled.size();a++)
        {
            if(a % 16 == 0)
            {
                logBytes.append("\n");
            }
            logBytes.append(Integer.toHexString(legaled.get(a) & 0xFF) +" ");
        }
        logBytes.append("\n========================================================");
       
        FileUtil.writeAscFile("E:\\bytes.txt", logBytes.toString());
    }
   
    public static int findTextRecords(Stream stream, byte[] bytes, int start, StringBuilder content, int[] offset)
    {
        byte opt = bytes[start];
        int container = opt & 0x0f;
        if(container == 0x0f)
        {
            return start+8;
        }
       
        offset[0] = start + 2;
        int type = stream.getShort(offset);
       
        offset[0] = start + 4;
        int len = stream.getInteger(offset);

        if(type == 0x0FA8)
        {
            bytesToString(bytes, content, start+8, len, 1);
            System.out.println("Text Bytes Atom found!");
        }
   
        if(type == 0x0FA0)
        {
            bytesToString(bytes, content, start+8, len, 0);
            System.out.println("Text Chars Atom found!");
        }

        int newStart = start + 8 + len;
        if(newStart > bytes.length - 8)
        {
            newStart = -1;
        }
       
        return newStart;
    }
   
    public static void main(String[] args) throws Exception
    {
        byte[] ogiBytes = FileUtil.readBinFile("D:\\tools\\oletest\\cn-t.ppt");
       
        System.out.println("Total bytes: "+ ogiBytes.length);
        if(
                ogiBytes.length < 8         ||
                (ogiBytes[0] & 0xFF) != 208 ||
                (ogiBytes[1] & 0xFF) != 207 ||
                (ogiBytes[2] & 0xFF) != 17     ||
                (ogiBytes[3] & 0xFF) != 224 ||
                (ogiBytes[4] & 0xFF) != 161 ||
                (ogiBytes[5] & 0xFF) != 177 ||
                (ogiBytes[6] & 0xFF) != 26     ||
                (ogiBytes[7] & 0xFF) != 225
        ){
            System.out.println("Not the ppt file!");
            return;
        }
       
        Stream stream = new Stream(ogiBytes);
        int[] offset = new int[1];
       
        offset[0] = 48;
        int dirSect1 = stream.getInteger(offset);
        int pptDocument = getPPTDcoument(ogiBytes, stream, dirSect1);
        if(pptDocument <= 0)
        {
            System.out.println("This version of ppt can not be parsed!");
            return;
        }
       
        offset[0] = pptDocument + 116;
        int startSect = stream.getInteger(offset);
        int docStart = (startSect + 1)*512;
        int docLength = stream.getInteger(offset);
       
        byte[] bytes = new byte[docLength];
        System.arraycopy(ogiBytes, docStart, bytes, 0, docLength);
       
        stream = new Stream(bytes);
       
        StringBuilder content = new StringBuilder();
        int start = 0;
        while(start != -1)
        {
            start = findTextRecords(stream, bytes, start, content, offset);
        }
       
        FileUtil.writeAscFile("E:\\output.txt", content.toString(), false);
       
        System.out.println("Done!");
    }
}