如何从.doc＆.docx文件中提取纯文本？ （unix）
任何人都知道他们可以推荐的任何东西，只是从.doc或.docx中提取纯文本？
我发现这个最好的方式来从Word文档中提取文本，而不使用COM /自动化？ – 想知道有没有其他build议？
速度并不重要，我们甚至可以使用一个有一些API的网站来上传和提取文件，但我一直无法find一个。
谢谢
如果你想纯粹的纯文本（我的要求），那么你所需要的是
unzip -p some.docx word/document.xml | sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g' 我在命令行find了fu
它解压缩docx文件，并获取实际的文档，然后去除所有的XML标签。 显然所有格式都丢失了。
LibreOffice的
一种select是在无头模式下的libreoffice / openoffice（确保libreoffice的所有其他实例先closures）：
libreoffice --headless --convert-to "txt:Text (encoded):UTF8" mydocument.doc
欲了解更多详情，请参阅此链接： http : //ask.libreoffice.org/en/question/2641/convert-to-command-line-parameter/
有关libreofficefilter的列表，请参阅http://cgit.freedesktop.org/libreoffice/core/tree/filter/source/config/fragments/filters
由于openoffice命令行语法有点太复杂，有一个方便的包装可以使这个过程更容易： unoconv 。
Apache POI
另一种select是Apache POI – 一个受到良好支持的Java库，它不像antiword可以读取，创build和转换.doc ， .docx ， .xls ， .xlsx ， .ppt ， .pptx文件。
以下是将.doc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: <!-- https://mvnrepository.com/artifact/org.apache.poi/poi --> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi</artifactId> <version>3.16</version> </dependency> <!-- https://mvnrepository.com/artifact/org.apache.poi/poi-ooxml --> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-ooxml</artifactId> <version>3.16</version> </dependency> <!-- https://mvnrepository.com/artifact/org.apache.poi/poi-scratchpad --> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-scratchpad</artifactId> <version>3.16</version> </dependency>
我最喜欢的是antiword：
这是一个类似的项目，声称支持docx：
docx2txt是为Debian打包的。
试试Apache Tika 。 它支持使用基于Java的库（其中包括Apache POI ）的大多数文档格式（每种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
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function，以临时查看terminal中的文件。 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 }
对于docx，如何http://libopc.codeplex.com/
最近我处理了这个问题，发现OpenOffice / LibreOffice命令行工具在生产中不可靠（成千上万个文档同时处理，几十个）。
最终，我构build了一个轻量级的包装器DocRipper ，它的速度更快，并且无需格式化即可从.doc，.docx和.pdf中获取所有文本。 DocRipper利用Antiword，grep和pdftotext来抓取文本并将其返回。
