将 Word doc 或 docx 文件转换为文本文件？

Question

我需要一种无需安装任何东西即可将 .doc 或 .docx 扩展名转换为 .txt 的方法。 显然我也不想手动打开 Word 来执行此操作。 只要它在自动运行。

我认为 Perl 或 VBA 都可以解决这个问题，但我在网上找不到任何东西。

有什么建议么？

Answer 1

一个简单的仅限 Perl 的 docx 解决方案：

1. 使用 Archive::Zip 获取docx 文件中的 word/document.xml 文件。 （docx 只是一个压缩存档。）

2. 使用 XML::LibXML来解析它。

3. 然后使用XML::LibXSLT将其转换为文本或html格式。 搜索网络找到一个不错的 docx2txt.xsl 文件:)

干杯！

J。

Answer 2

请注意，对象浏览器是 Microsoft Office 应用程序的一个极好的信息来源。 您可以通过工具→宏→Visual Basic编辑器访问它。 进入编辑器后，按 F2 浏览 Microsoft Office 应用程序提供的接口、方法和属性。

以下是使用 Win32::OLE 的示例：

#!/usr/bin/perl

use strict;
use warnings;

use File::Spec::Functions qw( catfile );

use Win32::OLE;
use Win32::OLE::Const 'Microsoft Word';
$Win32::OLE::Warn = 3;

my $word = get_word();
$word->{Visible} = 0;

my $doc = $word->{Documents}->Open(catfile $ENV{TEMP}, 'test.docx');

$doc->SaveAs(
    catfile($ENV{TEMP}, 'test.txt'),
    wdFormatTextLineBreaks
);

$doc->Close(0);

sub get_word {
    my $word;
    eval {
        $word = Win32::OLE->GetActiveObject('Word.Application');
    };

    die "$@\n" if $@;

    unless(defined $word) {
        $word = Win32::OLE->new('Word.Application', sub { $_[0]->Quit })
            or die "Oops, cannot start Word: ",
                   Win32::OLE->LastError, "\n";
    }
    return $word;
}
__END__

Answer 3

对于 .doc，我使用 Linux 命令行工具 antiword 取得了一些成功。 它可以非常快速地从 .doc 中提取文本，并提供良好的缩进效果。 然后您可以将其通过管道传输到 bash 中的文本文件。

对于 .docx，我使用了 OOXML SDK，正如其他一些用户提到的那样。 它只是一个 .NET 库，可以更轻松地使用压缩在 OOXML 文件中的 OOXML。 如果您只对文本感兴趣，则有很多元数据需要丢弃。 其他一些人已经编写了我看到的代码：DocXToText。

我发现 Aspose.Words 有一个非常简单的 API，并且有很好的支持。

还有来自 commandlinefu.com 的 bash 命令，它通过解压缩 .docx 来工作：

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

Answer 4

我强烈推荐 AsposeWords（如果您会 Java 或 .NET）。 无需安装 Word，它就可以在所有主要文本文件类型之间进行转换。

Answer 5

如果您安装了某种风格的 unix，则可以使用“字符串”实用程序从文档中查找并提取所有可读字符串。 您要查找的文本前后会有一些混乱，但结果是可读的。

Answer 6

请注意，您还可以使用 OpenOffice 在 Windows 和 * 上执行各种文档、绘图、电子表格等转换尼克斯平台。

您可以通过 UNO 以编程方式访问 OpenOffice（类似于 Windows 上的 COM）存在 UNO 绑定的多种语言，包括通过 OpenOffice 来自 Perl： :UNO 模块。

在 OpenOffice::UNO 页面上，您还会发现打开文档的示例 Perl scriptlet，您所需要做的就是使用 document.storeToURL() 方法将其导出到 txt - 请参阅 一个 Python 示例，可以轻松适应您的 Perl 需求。

Answer 7

Sinan Ünür 的方法效果很好。
但是，我正在转换的文件发生了一些崩溃。

另一种方法是使用 Win32::OLE 和 Win32::Clipboard，如下所示：

• 打开 Word 文档
• 选择所有文本
• 复制到剪贴板
• 打印剪贴板内容txt 文件
• 清空剪贴板并关闭 Word 文档

基于 Sigvald Refsu 在 http://computer-programming-forum.com/53-perl/c44063de8613483b.htm，我想出了以下脚本。

注意：我选择将 txt 文件保存为与 .docx 文件相同的基名并保存在同一文件夹中，但这可以轻松更改

########################################### 
use strict; 
use File::Spec::Functions qw( catfile );
use FindBin '$Bin';
use Win32::OLE qw(in with); 
use Win32::OLE::Const 'Microsoft Word'; 
use Win32::Clipboard; 

my $monitor_word=0; # set 1 to watch MS Word being opened and closed

sub docx2txt {
    # Note: the path shall be in the form "C:\dir\ with\ space\file.docx"; 
    my $docx_file=shift; 
    
    # MS Word object
    my $Word = Win32::OLE->new('Word.Application', 'Quit') or die "Couldn't run Word"; 
    # Monitor what happens in MS Word 
    $Word->{Visible} = 1 if $monitor_word; 
    
    #Open file 
    my $Doc = $Word->Documents->Open($docx_file); 
    with ($Doc, ShowRevisions => 0); #Turn of revision marks 
    
    # Select the complete document
    $Doc->Select(); 
    my $Range = $Word->Selection();
    with ($Range, ExtendMode => 1);
    $Range->SelectAll(); 
    
    # Copy selection to clipboard 
    $Range->Copy();
    
    # Create txt file 
    my $txt_file=$docx_file; 
    $txt_file =~ s/\.docx$/.txt/;
    open(TextFile,">$txt_file") or die "Error while trying to write in $txt_file (!$)"; 
    printf TextFile ("%s\n", Win32::Clipboard::Get()); 
    close TextFile; 

    # Empty the Clipboard (to prevent warning about "huge amount of data in clipboard")
    Win32::Clipboard::Set("");
    
    # Close Word file without saving 
    $Doc->Close({SaveChanges => wdDoNotSaveChanges});

    # Disconnect OLE 
    undef $Word; 
}

希望它可以帮助您。

Answer 8

使用 WordprocessingML 和 < a href="http://msdn.microsoft.com/en-us/library/aa338205.aspx" rel="nofollow noreferrer">.docx 的 XML 格式 可以解析其 XML 以检索实际文本该文件。 您必须阅读他们的规范才能找出哪些标签包含可读文本。

Answer 9

如果您不想启动 Word（或其他 Office 应用程序），则无法在 VBA 中执行此操作。 即使您指的是 VB，您仍然需要启动 Word 的（隐藏）实例来进行处理。

Answer 10

我需要一种无需安装任何东西即可将 .doc 或 .docx 扩展名转换为 .txt 的方法

for I in *.doc?; do mv $I `echo $ | sed 's/\.docx?/\.txt'`; done

只是开玩笑。

您可以对旧版本的 Word 文档使用 antiword，并尝试解析新版本的 xml。

Answer 11

使用 docxtemplater，您可以轻松获取单词的全文（仅适用于 docx）。

这是代码（Node.JS）

DocxTemplater=require('docxtemplater');
doc=new DocxTemplater().loadFromFile("input.docx");
result=doc.getFullText();

这只是三行代码，不依赖于任何单词实例（都是纯 JS）