将Microsoft Office文档转换为文本

Question

我正在寻找一个库（或命令行工具）将MS Office文档转换为纯文本或HTML（用于转换为文本）。

它必须在Linux上运行（不是通过Wine！）。

我找到了反词，但最后一个版本是2005年，所以它不会读取新的Office 2007格式。

我需要它来阅读Word，Excel和Powerpoint文档

Answer 1

新的Office 2007格式只是（ZIP）压缩的XML。

所有文本（至少以.docx格式）都位于word文件夹document.xml文件中（一旦解压缩文件）。从所有XML标记中删除它，您将获得文本。毫无疑问，你会丢失格式，但如果你想进行文本索引或类似的东西，格式无论如何都不相关。订单保留。

我没有分析Excel和Powerpoint，但方法应该类似。 Excel可能比较复杂，具体取决于单元格如何存储在XML文件中。

Answer 2

Apache POI库可以extract text from office formats。这由Tika in Lucene使用。 Tika可以command line tool：

执行

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

Answer 3

PyODConverter用于自动化OpenOffice。用它来进行转换。
 {\ t}}将Doc转换为PDF，但任何OpenOffice支持的导入或导出都应该有效。如果需要，还具有无头工作的优势。

其他选项包括， OONinja example 或者你真的只想处理命令行Abiword，但我认为它不支持Docx，

Answer 4

您可以将Autonomy Keyview与相应的许可证一起使用，以便在您的应用程序中使用。它看起来非常强大，可以从几乎所有内容中提取文本;我们用它来识别任意格式文件中的文本。

我不知道许可条款是什么，但可以从您的客户经理处获得：）