有没有人可以推荐一些方法，以便从.doc或.docx中提取纯文本？
我找到了这个，想知道是否有其他建议？
如何从.doc和.docx文件中提取纯文本？
60
- docextract
5
6个回答
79
如果您想要纯文本格式（我的要求），那么您所需要的只是
unzip -p some.docx word/document.xml | sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g'
我在命令行玩转网站找到了这个方法。
它会解压docx文件并获取实际文档，然后去除所有xml标签。显然，所有格式都会丢失。
- rob
9
30我喜欢这个命令，但通常在最终版本中保留换行符仍然很有用。因此，我使用了下面的命令：
unzip -p document.docx word/document.xml | sed -e 's/<\/w:p>/\n/g; s/<[^>]\{1,\}>//g; s/[^[:print:]\n]\{1,\}//g'请注意额外的sed参数，用实际的换行符替换XML表示的换行符，并将最后一个sed参数编辑为不删除换行符。这使得上面的命令能更好地适用于比较Word文档。 - Jeff McJunkin感谢Rob！@Jeff：我同意，但是在实践中以下命令对我更有效：unzip -p document.docx word/document.xml | sed -e 's/</w:p>/ /g; s/<[^>]{1,}>/ /g; s/[^[:print:]]{1,}/ /g' - Tom G
这在处理非 ASCII 字符时如何表现？特别是更为奥妙的字符集？ - einpoklum
@einpoklum 命令的第一部分获取原始 XML，所以这将很好地工作。第二部分获取所有非 XML 标签字符串，并用新行分隔它们。只要 sed 不会在奇怪的字符集上出错，你就应该没问题。如果你发现不是这种情况，请回复此帖。 - rob
this doesn't preserve newline - mending3
显示剩余4条评论
47
LibreOffice
一个选项是以无界面模式运行libreoffice/openoffice（请确保所有其他的LibreOffice实例都已关闭）：
libreoffice --headless --convert-to "txt:Text (encoded):UTF8" mydocument.doc
更多详细信息请参见此链接：http://ask.libreoffice.org/en/question/2641/convert-to-command-line-parameter/
有关LibreOffice过滤器的列表，请参见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了，因此有一个方便的包装器可以使该过程更加容易：unoconv。
Apache POI
另一个选择是Apache POI - 一个得到良好支持的Java库，与antiword不同的是，它可以读取、创建和转换.doc、.docx、.xls、.xlsx、.ppt、.pptx文件。
.doc 或 .docx 文档转换为纯文本的最简单 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>sudo apt-get install libapache-poi-java命令安装这些库——它们将安装在/usr/share/java下。对于其他系统，您需要download该库并解压缩存档到一个文件夹中，您应该使用该文件夹代替/usr/share/java。如果您使用maven/gradle（推荐选项），则应像代码片段中所示那样包含org.apache.poi dependencies。相同的代码将同时适用于
.doc和.docx，因为所需的转换器实现将通过检查二进制流来选择。编译上面的类（假设它在默认包中，并且apache poi jars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
一个可克隆的Gradle项目，它拉取所有必要的依赖项并生成包含gradle installDist命令的包装脚本。
- ccpizza
7
1如果你要加入Java选项，我想提一下“我的”docx4j（它也处理pptx、xlsx）。对于文本提取，你可以使用https://github.com/plutext/docx4j/blob/master/src/main/java/org/docx4j/TextUtils.java。 - JasonPlutext
1请参考LibreOffice问答社区中关于如何在运行LibreOffice实例的同时并行运行命令行转换的问题1686：http://ask.libreoffice.org/en/question/1686/how-to-not-connect-to-a-running-instance/ - Mihai Capotă
2当我尝试使用LibreOffice转换一些docx文件时，出现了一个奇怪的错误“错误：请重新验证输入参数...”，但当我切换到“--convert-to“txt：Text（encoded）：UTF8”时，该错误消失了，所以我建议您这样做（即使您没有非ASCII字符）。 - yoniLavi
3不需要卸载现有的GUI安装版本 - 在这种情况下，该二进制文件只是不在$PATH中可用；你仍然可以在macOS上调用它，例如：
/Applications/LibreOffice.app/Contents/MacOS/soffice --headless --help。 - ccpizza2@senderle：好的，
brew cask info libreoffice指向 https://github.com/Homebrew/homebrew-cask/blob/master/Casks/libreoffice.rb 公式，你可以在那里看到它还在 /usr/local/bin/soffice 下放置了一个包装脚本。知道具体发生了什么是很有用的，以防公式被删除，或者你需要比 brew 提供的更新版本。 - ccpizza显示剩余2条评论
16
试试Apache Tika。 它使用基于Java的库（包括Apache POI）支持大多数文档格式（所有MS Office格式，OpenOffice / LibreOffice格式，PDF等）。 使用起来非常简单：
java -jar tika-app-1.4.jar --text ./my-document.doc
- molnarg
10
尝试使用"antiword"或"antiword-xp-rb"
我最喜欢的是antiword:
还有一个类似的项目，声称支持docx：
- Chris Eberle
1
1我们已经多次使用过（上面提到的）Antiword，但它无法处理docx格式的文件。根据其网页信息：“Antiword可以将Word 2、6、7、97、2000、2002和2003版本的二进制文件转换为纯文本和PostScript文件。” - Arpad Horvath -- Слава Україні
5
我认为wv比catdoc或antiword更好。它可以处理.docx并转换为文本或html格式。这里是我在.bashrc文件中添加的一个函数，用于在终端临时查看文件。根据需要进行更改。
# open word in less (ie worl document.doc)
worl() {
DOC=$(mktemp /tmp/output.XXXXXXXXXX)
wvText $1 $DOC
less $DOC
rm $DOC
}
- Andre
2
2对于使用OSX的用户，您可以执行
brew install wv && brew install elinks。 - Sean Allred非常好用，支持 .doc 和 .docx。 - Steve Childs
1
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不可靠（处理了数千个文档，同时处理了几十个文档）。 最终，我构建了一个轻量级的包装器 DocRipper，它比较快速，可以从 .doc，.docx 和 .pdf 中获取所有文本内容而无需格式化。 DocRipper 使用 Antiword、grep 和 pdftotext 来提取文本并返回它。
- Paul
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
pandoc作为最佳解决方案，它甚至可以正确地转换表格。因此，我建议重新开启问题。 - Hubbitus