unix - doc 및 docx 파일에서 일반 텍스트를 추출하는 방법은 무엇입니까?

순수한 평문 (내 요구 사항)을 원한다면 필요한 것은

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

명령 줄 fu에서 찾은

docx 파일의 압축을 풀고 실제 문서를 가져온 다음 모든 xml 태그를 제거합니다. 분명히 모든 서식이 손실됩니다.

LibreOffice

하나의 옵션은 헤드리스 모드에서 libreoffice/openoffice입니다 (libreoffice의 다른 모든 인스턴스를 먼저 닫으십시오) :

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

자세한 내용은 예를 들어 이 링크 : http://ask.libreoffice.org/en/question/2641/convert-to-command-line-parameter/

libreoffice 필터 목록은 http://cgit.freedesktop.org/libreoffice/core/tree/filter/source/config/fragments/filters

를 참조하십시오.

openoffice 명령 줄 구문이 너무 복잡하기 때문에 프로세스를보다 쉽게 ​​만들 수있는 편리한 래퍼가 있습니다 : unoconv.

아파치 POI

또 다른 옵션은 Apache POI입니다. 안티 워드와 달리 .doc 를 읽고 작성하고 변환 할 수있는 잘 지원되는 Java 라이브러리입니다. .docx .xls .xlsx .ppt .pptx  파일.

.doc 를 변환하는 가장 간단한 Java 코드는 다음과 같습니다.  또는 .docx  일반 텍스트로 문서화 :

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>

참고 : apache poi 라이브러리를 클래스 경로에 추가해야합니다. 우분투/데비안에서 라이브러리는 sudo apt-get install libapache-poi-java 와 함께 설치할 수 있습니다  — /usr/share/java 에 설치됩니다 . 다른 시스템의 경우 라이브러리를 다운로드하고 /usr/share/java 대신 사용해야하는 폴더에 아카이브 압축을 풀어야합니다. . maven/gradle (권장 옵션)을 사용하는 경우 코드 스 니펫에 표시된대로 org.apache.poi 종속성을 포함하십시오.

.doc 에서 동일한 코드가 작동합니다.  그리고 .docx  이진 스트림을 검사하여 필요한 변환기 구현이 선택되므로

위의 클래스를 컴파일하십시오 (기본 패키지에 있고 Apache poi jars가 /usr/share/java 에 있다고 가정합니다) ) :

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

변환을 실행하십시오 :

java -cp /usr/share/java/*:. WordToTextConverter doc.docx doc.txt

필요한 모든 의존성을 끌어 내고 래퍼 쉘 스크립트를 생성하는 복제 가능한 gradle 프로젝트 ( gradle installDist 사용) ).

Apache Tika를 사용해보십시오. Java 기반 라이브러리 (아파치 POI 등)를 사용하여 대부분의 문서 형식 (모든 Office 형식, OpenOffice/LibreOffice 형식, PDF 등)을 지원합니다. 사용하는 것은 매우 간단합니다 :

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

내가 가장 좋아하는 단어는 다음과 같습니다.

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

그리고 docx 지원을 주장하는 비슷한 프로젝트가 있습니다 :

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

wv가 catdoc 또는 antiword보다 낫습니다. .docx를 처리하고 텍스트 또는 html로 변환 할 수 있습니다. 다음은 터미널에서 파일을 일시적으로 볼 수 있도록 .bashrc에 추가 한 기능입니다. 필요에 따라 변경하십시오.

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