將Microsoft Office文檔轉換爲文本

Question

我正在尋找一個庫（或命令行工具）將MS Office文檔轉換爲明文或HTML（用於轉換爲文本）。

它必須在Linux上運行（不通過Wine！）。

我發現了反義詞，但最後一個版本是2005，因此它不會讀取新的Office 2007格式。

我需要它來閱讀Word，Excel和PowerPoint文檔

Answer 1

Apache的POI庫可以extract text from office formats。這由Tika in Lucene使用。蒂卡可以作爲command line tool執行：

curl http://.../document.doc \ 
    | java -jar tika-app-x.y.jar --text \ 
    | grep -q keyword 

Answer 2

新的Office 2007格式只是（ZIP）壓縮XML。

所有文本（至少爲.docx格式）都位於（一旦您解壓文件）文檔文件夾document.xml文件中。將其從所有XML標籤中剝離，然後您將看到文本。毫無疑問，你將失去格式化，但是如果你想做文本索引或類似的格式，那麼無論如何格式都是不相關的。訂單被保留。

我還沒有分析Excel和Powerpoint，但方法應該是類似的。 Excel可能會更棘手，這取決於單元格如何存儲在XML文件中。

Answer 3

PyODConverter用於自動化OpenOffice。用它來做轉換。
OONinja example將Doc轉換爲PDF，但支持任何OpenOffice支持的導入或導出都可以使用。如果需要，還具有無頭工作的優點。

其他選項包括， Abiword 或者你真的只是想處理的命令行WvWare，但我不認爲它支持DOCX，

Answer 4

您可以使用自治的KeyView的適當許可的應用程序中使用。它似乎非常強大，可以從幾乎所有的東西中提取文本;我們用它來識別任意格式文件中的文本。

我不知道的許可條款是什麼，但他們從你的帳戶管理者:)