word 转 text 的有比较完美的方案吗

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2296 天前的主题，其中的信息可能已经有所发展或是发生改变。

需求是这样的，转成有一定格式的 text （保留换行，空格等）

docx 转 text 基本搞定，因为 docx 其实是一个 zip，里面是文本格式的 xml，然后用了 html 转 text 的方式，转出来可以接受。

但是 doc 转 text 开始用的 antiword 但是有些文件转不了，想问下大家有什么好的方案吗？

Text

docx

格式

antiword

27 条回复 • 2018-08-28 10:02:24 +08:00

longyujin9

2018-08-11 16:23:32 +08:00

doc 转 docx （逃

ghhardy

2018-08-11 16:24:55 +08:00 via Android

试试 python 第三方模块吧，我用过处理 excel 表格的，word 好像也有

hundan

2018-08-11 16:31:08 +08:00 via Android

直接另存为？

lihongjie0209

2018-08-11 16:33:18 +08:00

Java 可以用 tika, Python 就不知道了. 从某种程度上来说, Java 的生态确实比 Python 好

dsp2138

2018-08-11 16:47:14 +08:00

word:Ctrl+A
notebook:Ctrl+V
搞定，效率很高

tomheng

2018-08-11 17:02:26 +08:00

@dsp2138 要用程序转的，网站的一个功能模块

tomheng

2018-08-11 17:04:46 +08:00

@lihongjie0209 我先研究下，谢谢

tomheng

2018-08-11 17:05:18 +08:00

@longyujin9 也是一种思路 :)

zjsxwc

2018-08-11 17:18:49 +08:00

这种东西 C#干起来很轻松，不知道 linux 下的 dotnet core 可不可以

zjsxwc

2018-08-11 17:25:00 +08:00

确实有：

https://github.com/dotnetcore/NPOI

stringtheory

2018-08-11 17:30:00 +08:00

可以试试 pandoc

MonoLogueChi

2018-08-11 17:53:24 +08:00 via Android

修正一下，docx 是 rar 压缩包

lushilu001

2018-08-11 18:21:43 +08:00 via iPhone

catdoc

hundan

2018-08-11 19:12:41 +08:00 via Android

@MonoLogueChi 再修正一下，是 zip。
rar 文件头以 Rar 开头 zip 为 pk，docx 文件头是 pk，这是其一，其二，rar 算法为私有。拓展名改为 rar 之后能打开是因为压缩软件自己识别了压缩算法，不能作为根据。建议你自己了解清楚再来修正别人。

drackzy

2018-08-11 19:17:35 +08:00

unoconv

cnkiller

2018-08-11 21:05:22 +08:00 via Android

我给楼主说一下吧。com 方式另存为 txt，效果最好

envylee

2018-08-11 21:11:12 +08:00

@dsp2138 兄弟说得很有道理哈哈哈哈

iwtbauh

2018-08-11 22:00:40 +08:00 via Android

soffice --headless --convert-to txt filename.doc

gnaggnoyil

2018-08-12 00:39:05 +08:00

@tomheng 说的就是通过.COM 直接使用 Word 提供的 utility,不过前提是电脑里已经装了 Word.
程序和程序之间的分工又不是只有跨进程文本转递这一种.

gamecmt

2018-08-12 05:56:54 +08:00 via Android

windows 下可以用 pywin32com。

PythonAnswer

2018-08-12 08:09:23 +08:00 via iPhone

com 是个好东西。linux 下一班怎么玩？有类似的吗？

omph

2018-08-12 08:17:27 +08:00

Apache POI - the Java API for Microsoft Documents

shilyx

2018-08-12 11:48:33 +08:00

poi 读取-》另存为

不过更高级的方案是在 widnows 服务器上安装 office，然后 vc 中使用 activex 控制另存为，完美，绝对完美的 doc-》 docx

ps1aniuge

2018-08-12 20:55:36 +08:00

安装 word。用 powershell 调用 com 方式另存为 txt，效果最好

gnaggnoyil

2018-08-12 22:01:41 +08:00

@PythonAnswer LibreOffice 据说有个叫 UNO 的东西和.COM 比较类似,具体怎么用不清楚,你可以自己查查看……

PythonAnswer

2018-08-12 22:59:20 +08:00 via iPhone

uno 是包装的 java，调用起来不太爽

Doodlister

2018-08-28 10:02:24 +08:00 via Android

@longyujin9 纯文本的话。。直接 OCR。。。比你这个还暴力哈哈