任何人都知道他们可以推荐的任何东西，以便从 a .docor中提取纯文本.docx？
我找到了这个- 想知道是否还有其他建议？
问问题
76827 次
7 回答
73
如果您想要纯文本（我的要求），那么您只需要
unzip -p some.docx word/document.xml | sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g'
它解压缩 docx 文件并获取实际文档，然后剥离所有 xml 标签。显然所有格式都丢失了。
于 2014-09-02T09:46:24.923 回答
43
自由办公室
一个选项是无头模式下的libreoffice /openoffice（确保首先关闭所有其他 libreoffice 实例）：
libreoffice --headless --convert-to "txt:Text (encoded):UTF8" mydocument.doc
有关更多详细信息，请参见此链接：http ://ask.libreoffice.org/en/question/2641/convert-to-command-line-parameter/
有关 libreoffice 过滤器的列表，请参阅http://cgit.freedesktop.org/libreoffice/core/tree/filter/source/config/fragments/filters
由于 openoffice 命令行语法有点过于复杂，所以有一个方便的包装器可以使过程更容易：unoconv。
阿帕奇 POI
另一种选择是Apache POI — 一个得到很好支持的 Java 库，它与 antiword 不同，它可以读取、创建和转换.doc、.docx、.xls、.xlsx、.ppt、.pptx文件。
.doc以下是将文档或.docx文档转换为纯文本的最简单的 Java 代码：
import java.io.FileInputStream;
import java.io.FileWriter;
import java.io.IOException;
import org.apache.poi.POITextExtractor;
import org.apache.poi.extractor.ExtractorFactory;
import org.apache.poi.openxml4j.exceptions.OpenXML4JException;
import org.apache.xmlbeans.XmlException;
public class WordToTextConverter {
public static void main(String[] args) {
try {
convertWordToText(args[0], args[1]);
} catch (ArrayIndexOutOfBoundsException aiobe) {
System.out.println("Usage: java WordToTextConverter <word_file> <text_file>");
}
}
public static void convertWordToText(String src, String desc) {
try {
FileInputStream fs = new FileInputStream(src);
final POITextExtractor extractor = ExtractorFactory.createExtractor(fs);
FileWriter fw = new FileWriter(desc);
fw.write(extractor.getText());
fw.flush();
fs.close();
fw.close();
} catch (IOException | OpenXML4JException | XmlException e) {
e.printStackTrace();
}
}
}
# Maven dependencies (pom.xml):
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>my.wordconv</groupId>
<artifactId>my.wordconv.converter</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi</artifactId>
<version>3.17</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-ooxml</artifactId>
<version>3.17</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-scratchpad</artifactId>
<version>3.17</version>
</dependency>
</dependencies>
</project>注意：您需要将 apache poi 库添加到类路径中。在 ubuntu/debian 上可以安装这些库sudo apt-get install libapache-poi-java——这会将它们安装在/usr/share/java. 对于其他系统，您需要下载库并将存档解压缩到您应该使用的文件夹而不是/usr/share/java. 如果您使用 maven/gradle（推荐选项），则包含org.apache.poi 依赖项，如代码片段所示。
相同的代码适用于两者.doc，并且.docx通过检查二进制流来选择所需的转换器实现。
编译上面的类（假设它在默认包中，并且 apache poi jar 在 下/usr/share/java）：
javac -cp /usr/share/java/*:. WordToTextConverter.java
运行转换：
java -cp /usr/share/java/*:. WordToTextConverter doc.docx doc.txt
一个可克隆的 gradle 项目，它提取所有必要的依赖项并生成包装器 shell 脚本（带有gradle installDist）。
于 2012-09-03T10:52:23.310 回答
14
试试Apache Tika。它使用基于 Java 的库（其中包括Apache POI ）支持大多数文档格式（每种 MS Office 格式、OpenOffice/LibreOffice 格式、PDF 等）。使用非常简单：
java -jar tika-app-1.4.jar --text ./my-document.doc
于 2014-01-02T14:45:04.387 回答
10
我最喜欢的是antiword：
这是一个声称支持 docx 的类似项目：
于 2011-04-15T03:14:29.967 回答
5
我发现wv比 catdoc 或 antiword 更好。它可以处理 .docx 并转换为文本或 html。这是我添加到我的 .bashrc 中的一个函数，用于在终端中临时查看文件。根据需要更改它。
# open word in less (ie worl document.doc)
worl() {
DOC=$(mktemp /tmp/output.XXXXXXXXXX)
wvText $1 $DOC
less $DOC
rm $DOC
}
于 2013-10-31T11:29:08.883 回答
1
对于 docx， http ://libopc.codeplex.com/ 怎么样
于 2011-04-16T00:33:38.830 回答
1
我最近处理了这个问题，发现 OpenOffice/LibreOffice 命令行工具在生产中不可靠（处理了数千个文档，同时处理了数十个文档）。
最终，我构建了一个轻量级的包装器DocRipper，它速度更快，可以从 .doc、.docx 和 .pdf 中抓取所有文本而无需格式化。DocRipper 利用 Antiword、grep 和 pdftotext 抓取文本并将其返回。
于 2014-07-23T16:22:27.807 回答