linux - 将 Microsoft Office 文档转换为文本

Question

我正在寻找一个库（或命令行工具）来将 MS Office 文档转换为纯文本或 HTML（用于转换为文本）。

它必须在 Linux 上运行（而不是通过 Wine！）。

我找到了antiword，但最后一个版本是2005，所以它不会读取新的Office 2007 格式。

我需要它来阅读 Word、Excel 和 Powerpoint 文档

score 4 · Accepted Answer

新的 office 2007 格式只是 (ZIP) 压缩的 XML。

所有文本（至少为 .docx 格式）都位于 word 文件夹 document.xml 文件中（一旦解压文件）。从所有 XML 标记中剥离它，您将获得文本。毫无疑问，你会失去格式，但如果你想做文本索引或类似的东西，格式无论如何都无关紧要。订单被保留。

我没有分析过 Excel 和 Powerpoint，但方法应该类似。Excel 可能更复杂，这取决于单元格在 XML 文件中的存储方式。

score 2 · Accepted Answer

Apache POI 库可以从办公格式中提取文本。这是Tika 在 Lucene中使用的。Tika 可以作为命令行工具执行：

curl http://.../document.doc \
  | java -jar tika-app-x.y.jar --text \
  | grep -q keyword

score 0 · Accepted Answer

PyODConverter用于自动化 OpenOffice。使用它来进行转换。
OONinja 示例将 Doc 转换为 PDF，但任何 OpenOffice 支持的导入或导出都应该可以工作。如果需要，还具有无头工作的优势。

其他选项包括， Abiword 或者您真的只想处理命令行WvWare但我认为它不支持 Docx，

score 0 · Accepted Answer

您可以使用具有适当许可证的 Autonomy Keyview 在您的应用程序中使用。它似乎非常强大，可以从几乎所有内容中提取文本；我们用它来识别任意格式文件中的文本。

我不知道许可条款是什么，但可以从您的客户经理处获得 :)

4 回答 4