blocks|key|1816715|text|Apache+POI库可以extract+text+from+office+formats。这是由Tika+in+Lucene使用的。Tika可以作为command+line+tool执行|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|1816716|curl+http://.../document.doc+\
++%7C+java+-jar+tika-app-x.y.jar+--text+\
++%7C+grep+-q+keyword|code-block|syntax|javascript|1816717|entityMap|0|LINK|mutability|MUTABLE|url|http://poi.apache.org/text-extraction.html|1|http://lucene.apache.org/tika/|2|http://lucene.apache.org/tika/gettingstarted.html^0|D|W|0|1D|E|1|23|H|2|0|0^^$0|@$1|2|3|4|5|6|7|U|8|@]|9|@$A|V|B|W|1|X]|$A|Y|B|Z|1|10]|$A|11|B|12|1|13]]|C|$]]|$1|D|3|E|5|F|7|14|8|@]|9|@]|C|$G|H]]|$1|I|3|-4|5|6|7|15|8|@]|9|@]|C|$]]]|J|$K|$5|L|M|N|C|$O|P]]|Q|$5|L|M|N|C|$O|R]]|S|$5|L|M|N|C|$O|T]]]]

The Apache POI library can <a href="http://poi.apache.org/text-extraction.html" rel="nofollow noreferrer">extract text from office formats</a>. This is used by <a href="http://lucene.apache.org/tika/" rel="nofollow noreferrer">Tika in Lucene</a>. Tika can be executed as a <a href="http://lucene.apache.org/tika/gettingstarted.html" rel="nofollow noreferrer">command line tool</a>:

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

blocks|key|1814553|text|新的office+2007格式只是(ZIP)压缩的XML。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|1814554|所有文本(至少采用.docx格式)都位于word文件夹document.xml文件中(解压缩文件后)。将它从所有XML标记中剥离出来，您就会得到文本。毫无疑问，您将丢失格式，但如果您想要进行文本索引或类似的操作，则格式无关紧要。该顺序被保留。|1814555|我没有分析过Excel和Powerpoint，但方法应该是相似的。Excel可能更棘手，这取决于单元格在XML文件中的存储方式。|1814556|entityMap^0|0|0|0^^$0|@$1|2|3|4|5|6|7|H|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|I|8|@]|9|@]|A|$]]|$1|D|3|E|5|6|7|J|8|@]|9|@]|A|$]]|$1|F|3|-4|5|6|7|K|8|@]|9|@]|A|$]]]|G|$]]

The new office 2007 format is just (ZIP) compressed XML. 

All the text (in at least the .docx format) is located (once you decompress the file) in the word folder, document.xml file. Strip it from all the XML tags and you'll get the text. You'll lose the formatting no doubt, but if you want to do text indexing or something like it format isn't relevant anyway. The order is preserved.

I haven't analyzed Excel and Powerpoint but the approach should be similar. Excel might be trickier, depending on how are the cells stored in the XML file.

blocks|key|496998|text|用于自动化OpenOffice的PyODConverter。使用它进行转换。|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|496999|OONinja+example转换文档，但任何OpenOffice支持的导入或导出应该工作。如果需要，还具有无头工作的优点。|497000|其他选项包括，Abiword或者你只是想处理命令行WvWare，但我不认为它支持Docx，|497001|entityMap|0|LINK|mutability|MUTABLE|url|http://www.artofsolving.com/opensource/pyodconverter|1|http://www.oooninja.com/2008/02/batch-command-line-file-conversion-with.html|2|http://abisource.com/|3|http://wvware.sourceforge.net/^0|G|D|0|0|0|F|1|0|7|7|2|P|6|3|0^^$0|@$1|2|3|4|5|6|7|V|8|@]|9|@$A|W|B|X|1|Y]]|C|$]]|$1|D|3|E|5|6|7|Z|8|@]|9|@$A|10|B|11|1|12]]|C|$]]|$1|F|3|G|5|6|7|13|8|@]|9|@$A|14|B|15|1|16]|$A|17|B|18|1|19]]|C|$]]|$1|H|3|-4|5|6|7|1A|8|@]|9|@]|C|$]]]|I|$J|$5|K|L|M|C|$N|O]]|P|$5|K|L|M|C|$N|Q]]|R|$5|K|L|M|C|$N|S]]|T|$5|K|L|M|C|$N|U]]]]

<a href="http://www.artofsolving.com/opensource/pyodconverter" rel="nofollow noreferrer">PyODConverter</a> for automating OpenOffice. Use it to do the conversions. 
 <a href="http://www.oooninja.com/2008/02/batch-command-line-file-conversion-with.html" rel="nofollow noreferrer">OONinja example</a> converting Doc to PDF but any OpenOffice supported imports or exports should work. Also has the advantage of working Headless if required.

other options include, 
<a href="http://abisource.com/" rel="nofollow noreferrer">Abiword</a>
or you really just want to deal with command line <a href="http://wvware.sourceforge.net/" rel="nofollow noreferrer">WvWare</a> but I don't think it supports Docx,

blocks|key|497056|text|您可以通过适当的许可证在您的应用程序中使用自主键视图。它似乎非常强大，可以从几乎所有内容中提取文本；我们使用它来识别任意格式文件中的文本。|type|unstyled|depth|inlineStyleRanges|entityRanges|data|497057|我不知道许可条款是什么，但可以从您的客户经理那里获得:)|497058|entityMap^0|0|0^^$0|@$1|2|3|4|5|6|7|F|8|@]|9|@]|A|$]]|$1|B|3|C|5|6|7|G|8|@]|9|@]|A|$]]|$1|D|3|-4|5|6|7|H|8|@]|9|@]|A|$]]]|E|$]]

You can use Autonomy Keyview with the appropriate licence to use in your application. It seems to be extremely powerful and can extract text from almost everything; we use it to identify text within arbitrary format files.

I've no idea what the licensing terms are, but they're available from your account manager :)

I'm looking for a library (or command line tool) to turn MS Office documents into either plaintext or HTML (for conversion to text).

It must run on Linux (not via Wine!).

I found antiword, but the last release was 2005, so it won't read the new Office 2007 formats.

I need it to read Word, Excel and Powerpoint documents

Convert Microsoft Office documents to Text

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

我正在寻找一个库(或命令行工具)，以将MS Office文档转换为纯文本或HTML (转换为文本)。它必须在Linux上运行(不是通过Wine!)。我找到了antiword，但上一次发布是2005年，所以它不能读取新的Office2007格式。我需要它来阅读Word、Excel和Powerpoint文档

问将Microsoft Office文档转换为文本
EN

回答 4

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问将Microsoft Office文档转换为文本EN

回答 4

Stack Overflow用户

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问将Microsoft Office文档转换为文本
EN