首页 文章

如何从.doc和.docx文件中提取纯文本？ （unix）[关闭]

提问于
浏览 次
46

任何人都知道他们可以推荐什么，以便从.doc或.docx中提取纯文本？

我发现这个Best way to extract text from a Word doc without using COM/automation? - 想知道是否还有其他建议？

速度并不重要，我们甚至可以使用具有一些API的网站上传和提取文件，但我一直无法找到 .

谢谢

unix extract docx doc text-extraction

8 回答

  • 2

    如果你想要纯文本（我的要求），那么你需要的只是

    unzip -p some.docx word/document.xml | sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g'

    我发现command line fu

    它解压缩docx文件并获取实际文档，然后删除所有xml标记 . 显然所有格式都丢失了 .

    回复于
  • 2

    LibreOffice

    一种选择是无头模式下的libreoffice / openoffice（确保首先关闭libreoffice的所有其他实例）：

    libreoffice --headless --convert-to "txt:Text (encoded):UTF8" mydocument.doc

    有关详细信息，请参阅这个链接：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，因此有一个方便的包装器可以使过程更容易：unoconv .

    Apache POI

    另一个选项是Apache POI - 一个支持良好的Java库，与antiword不同，它可以读取，创建和转换 .doc ， .docx ， .xls ， .xlsx ， .ppt ， .pptx 个文件 .

    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 (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，可以使用 sudo apt-get install libapache-poi-java 安装库 - 这将在 /usr/share/java 下安装它们 . 对于其他系统，您需要download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），请包含org.apache.poi dependencies，如代码段所示 .

    相同的代码将适用于 .doc 和 .docx ，因为将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 /usr/share/java 下）：

    javac -cp /usr/share/java/*:. WordToTextConverter.java

    运行转换：

    java -cp /usr/share/java/*:. WordToTextConverter doc.docx doc.txt
    回复于
  • 10

    docx2txt是为Debian打包的 .

    回复于
  • 24

    我最喜欢的是反词：

    http://www.winfield.demon.nl/

    这是一个声称支持docx的类似项目：

    https://github.com/rainey/antiword-xp-rb/wiki

    回复于
  • 15

    试试Apache Tika . 它支持使用基于Java的库（以及其他，Apache POI）的大多数文档格式（每种Office格式，OpenOffice / LibreOffice格式，PDF等） . 它使用起来非常简单：

    java -jar tika-app-1.4.jar --text ./my-document.doc

    回复于
  • 5

    我发现wv比catdoc或antiword更好 . 它可以处理.docx并转换为text或html . 这是我添加到.bashrc中的一个函数，用于临时查看终端中的文件 . 根据需要进行更改 .

    # open word in less (ie worl document.doc)
worl() {
    DOC=$(mktemp /tmp/output.XXXXXXXXXX)
    wvText $1 $DOC
    less $DOC
    rm $DOC
}
    回复于
  • 10

    对于docx，如何http://libopc.codeplex.com/

    回复于
  • 46

    我最近处理了这个问题，发现OpenOffice / LibreOffice命令行工具在 生产环境 中是不可靠的（处理了数千个文档，同时处理了几十个） .

    最终，我构建了一个轻量级的包装器，它更加快速，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 .

    回复于

相关问题