如何从 .doc 和 .doc 中提取纯文本.docx 文件？

Question

Closed. This question is seeking recommendations for software libraries, tutorials, tools, books, or other off-site resources. It does not meet Stack Overflow guidelines. It is not currently accepting answers.

---

我们不允许提出寻求软件库、教程、工具、书籍或其他场外资源推荐的问题。您可以编辑问题，以便用事实和引文来回答。

9 年前已关闭。

Answer 1

如果您想要纯纯文本（我的要求），那么您所需要的就是

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

我在 命令行 fu

它解压缩 docx 文件并获取实际文档，然后去除所有 xml 标签。显然所有格式都丢失了。

Answer 2

LibreOffice

一个选项是 libreoffice/openoffice 无头模式（确保首先关闭 libreoffice 的所有其他实例）：

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

了解更多详细信息请参见例如此链接：http://ask。 libreoffice.org/en/question/2641/convert-to-command-line-parameter/

有关 libreoffice 过滤器列表，请参阅 http://cgit.freedesktop.org/libreoffice/core/tree/filter/source/config/fragments/filters

自 openoffice 以来命令行语法有点太复杂，有一个方便的包装器可以使过程更容易： unoconv 。

Apache POI

另一个选择是 Apache POI — 一个受良好支持的 Java 库，与 antiword 不同，它可以读取、创建和转换 .doc、.docx、.xls、.xlsx、.ppt、 >.pptx 文件。

下面是将 .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 来安装库 - 这会将它们安装在 /usr/share/java 下。对于其他系统，您需要下载库并将存档解压到您应该放置的文件夹中使用而不是/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 .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（假设它位于默认包中，并且 apache poi jar 位于 /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 

A 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（使用 gradle installDist） 。

Answer 3

尝试 Apache Tika。它使用基于 Java 的库（除其他外，Apache POI）。使用起来非常简单：

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

Answer 4

尝试“antiword”或“antiword-xp-rb”

我最喜欢的是反词：

http://www.winfield。 demo.nl/

这里有一个类似的项目，声称支持 docx：

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

Answer 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 .bashrc 中的一个函数，用于临时在终端中查看该文件。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
}

Answer 6

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包装器 DocRipper，它速度更快，可以从 .doc 中获取所有文本， .docx 和 .pdf，无需格式化。 DocRipper 使用 Antiword、grep 和 pdftotext 来抓取文本并返回它。