如何将.doc或.docx文件转换为.txt

Question

我想知道如何通过Java将Word .doc/.docx文件转换为文本文件。我知道可以通过Word本身完成此操作，但我想像这样做：

java DocConvert somedocfile.doc converted.txt

谢谢。

- Coding District

Answer 1

如果您对处理Word文档文件的Java库感兴趣，可以看看Apache POI。以下是该网站的一句引用:

我为什么要使用Apache POI？

Apache POI api的主要用途是文本提取应用程序，例如网络爬虫、索引构建器和内容管理系统。

---

P.S.: 另一方面，如果您只是在寻找转换实用程序，则Stack Overflow可能不是最合适的地方。

---

编辑: 如果您不想使用现有的库而是自己完成所有艰苦的工作，那么您会高兴地听到Microsoft已经发布了所需的文件格式规范。（Microsoft开放规范承诺列出了可用的规范。只需搜索您感兴趣的任何规范即可。在您的情况下，您需要的是OLE2复合文件格式、Word 97二进制文件格式和Open XML格式。）

- stakx - no longer contributing

---

哦，抱歉，我想要构建我所说的实用工具。 - Coding District

Answer 2

使用命令行实用工具Apache Tika。Tika支持广泛的格式（例如：doc、docx、pdf、html、rtf等）。

java -jar tika-app-1.3.jar -t somedocfile.doc > converted.txt

编程实现：

File inputFile = ...;
Tika tika = new Tika();
String extractedText = tika.parseToString(inputFile);

你也可以使用 Apache POI。他们有一个从doc/docx中提取文本的工具，叫做 Text Extraction。如果你只想提取文本，可以使用下面的代码。如果你想提取富文本（如格式和样式），可以使用 Apache Tika。

提取doc：

InputStream fis = new FileInputStream(...);
POITextExtractor extractor;
// if docx
if (fileName.toLowerCase().endsWith(".docx")) {
    XWPFDocument doc = new XWPFDocument(fis);
    extractor = new XWPFWordExtractor(doc);
} else {
    // if doc
    POIFSFileSystem fileSystem = new POIFSFileSystem(fis);
    extractor = ExtractorFactory.createExtractor(fileSystem);
}
String extractedText = extractor.getText();

- palhares

Answer 3

你应该考虑使用这个库。它是Apache POI。

来自网站的摘录

简而言之，您可以使用Java读写MS Excel文件。此外，您还可以使用Java读写MS Word和MS PowerPoint文件。Apache POI是您的Java Excel解决方案（适用于Excel 97-2008）。我们有一个完整的API，可用于移植其他OOXML和OLE2格式，并欢迎其他人参与。

- bragboy

Answer 4

Docmosis可以读取文档并将其中的文本输出。需要安装一些基础设施（如OpenOffice）。 您也可以使用JODConverter。

- Paul Jowett