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文档转换为明文或HTML（用于转换为文本）。

它必须在Linux上运行（不通过Wine！）。

我发现了反义词，但最后一个版本是2005，因此它不会读取新的Office 2007格式。

我需要它来阅读Word，Excel和PowerPoint文档

Answer 1

Apache的POI库可以extract text from office formats。这由Tika in Lucene使用。蒂卡可以作为command line tool执行：

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）压缩XML。

所有文本（至少为.docx格式）都位于（一旦您解压文件）文档文件夹document.xml文件中。将其从所有XML标签中剥离，然后您将看到文本。毫无疑问，你将失去格式化，但是如果你想做文本索引或类似的格式，那么无论如何格式都是不相关的。订单被保留。

我还没有分析Excel和Powerpoint，但方法应该是类似的。 Excel可能会更棘手，这取决于单元格如何存储在XML文件中。

Answer 3

PyODConverter用于自动化OpenOffice。用它来做转换。
OONinja example将Doc转换为PDF，但支持任何OpenOffice支持的导入或导出都可以使用。如果需要，还具有无头工作的优点。

其他选项包括， Abiword 或者你真的只是想处理的命令行WvWare，但我不认为它支持DOCX，

Answer 4

您可以使用自治的KeyView的适当许可的应用程序中使用。它似乎非常强大，可以从几乎所有的东西中提取文本;我们用它来识别任意格式文件中的文本。

我不知道的许可条款是什么，但他们从你的帐户管理者:)