将 Word doc 或 docx 文件转换为文本文件？

StackOverflow https://stackoverflow.com/questions/1110409

题

我需要一种转换方法 .doc 或者 .docx 扩展至 .txt 无需安装任何东西。显然我也不想手动打开 Word 来执行此操作。只要它在自动运行。

我认为 Perl 或 VBA 都可以解决这个问题，但我在网上找不到任何东西。

有什么建议么？

有帮助吗？

解决方案

注意，Microsoft Office应用程序信息的极好来源是的对象浏览器的。您可以通过Tools→Macro→Visual Basic Editor访问它。一旦你在编辑器中，按<大骨节病> F2 浏览接口，方法，并通过Microsoft Office应用程序提供的属性。

下面是使用的Win32 :: OLE 的示例：

#!/usr/bin/perl

use strict;
use warnings;

use File::Spec::Functions qw( catfile );

use Win32::OLE;
use Win32::OLE::Const 'Microsoft Word';
$Win32::OLE::Warn = 3;

my $word = get_word();
$word->{Visible} = 0;

my $doc = $word->{Documents}->Open(catfile $ENV{TEMP}, 'test.docx');

$doc->SaveAs(
    catfile($ENV{TEMP}, 'test.txt'),
    wdFormatTextLineBreaks
);

$doc->Close(0);

sub get_word {
    my $word;
    eval {
        $word = Win32::OLE->GetActiveObject('Word.Application');
    };

    die "$@\n" if $@;

    unless(defined $word) {
        $word = Win32::OLE->new('Word.Application', sub { $_[0]->Quit })
            or die "Oops, cannot start Word: ",
                   Win32::OLE->LastError, "\n";
    }
    return $word;
}
__END__

其他提示

一个简单的Perl唯一的解决办法对于尝:

  1. 使用 档案：:Zip 得到的 word/document.xml 文件从你的 docx 文件。(A word只是一个压缩的档案。)

  2. 使用 XML::用于 来分析它。

  3. 然后使用 XML::LibXSLT 把它改造成文或html格式。搜索的网络寻找一个漂亮 docx2txt.xsl 文件:)

干杯！

J.

有关.DOC，我已经取得了一些成功的Linux命令行工具 antiword 。它提取自.DOC文本速度非常快，给人压痕良好呈现。然后，你可以通过管道将要在bash的文本文件。

有关的.docx，我使用的OOXML SDK如提到的一些其他用户。这仅仅是一个.NET库，以使其更容易与在一个OOXML文件压缩了的OOXML工作。有很多，你会想放弃，如果你只在文字感兴趣的元数据。其他一些人已经写我看到的代码： DocXToText

使用Aspose.Words有很大的支持非常简单的API嫌我已经找到。

还有从commandlinefu.com此bash命令其工作原理是解压缩的.docx：

unzip -p some.docx word/document.xml | sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g'

我强烈推荐 假设词 如果你会 Java 或 .NET。无需安装 Word，它就可以在所有主要文本文件类型之间进行转换。

如果您已经安装UNIX的一些味道，你可以用“弦”实用程序来查找和提取文档的所有可读的字符串。会有一些混乱之前，你正在寻找的文字后，但结果将是可读的。

请注意，您还可以使用 开发办公室 执行各种文档、绘图、电子表格等。Windows 和 *nix 平台上的转换。

您可以通过编程方式访问 OpenOffice（类似于 Windows 上的 COM） 乌诺 来自存在 UNO 绑定的多种语言，包括通过 Perl OpenOffice::UNO 模块。

上 OpenOffice::UNO 页面 您还会发现一个可打开文档的示例 Perl scriptlet，您只需将其导出到 txt 通过使用 document.storeToURL() 方法——参见 Python 示例 它可以轻松地适应您的 Perl 需求。

.医生使用 WordprocessingML 和 .尝的XML格式 可以有自己的XML分析，以检索的实际文本的文件。你得读它们的规格图找出哪些标记含有可读的文本。

该方法的Sinan Ünür运作良好。
然而，我得到了一些崩溃的文件，我是转型。

另一种方法是使用Win32::奥莱和Win32::剪贴板这样的：

  • 打开Word文档
  • 选择的所有文本
  • 复制的剪贴板
  • 打印内容的剪贴板在txt文件
  • 空白的剪贴板和关闭的Word文档

根据剧本给过Sigvald Refsu在 http://computer-programming-forum.com/53-perl/c44063de8613483b.htm, 我想出了以下脚本。

注：我选择了保存文文件具有相同的基本部分。word文件，并在同一文件夹，但这很容易可以改变

########################################### 
use strict; 
use File::Spec::Functions qw( catfile );
use FindBin '$Bin';
use Win32::OLE qw(in with); 
use Win32::OLE::Const 'Microsoft Word'; 
use Win32::Clipboard; 

my $monitor_word=0; #set 1 to watch MS Word being opened and closed

sub docx2txt {
    ##Note: the path shall be in the form "C:\dir\ with\ space\file.docx"; 
    my $docx_file=shift; 

    #MS Word object
    my $Word = Win32::OLE->new('Word.Application', 'Quit') or die "Couldn't run Word"; 
    #Monitor what happens in MS Word 
    $Word->{Visible} = 1 if $monitor_word; 

    #Open file 
    my $Doc = $Word->Documents->Open($docx_file); 
    with ($Doc, ShowRevisions => 0); #Turn of revision marks 

    #Select the complete document
    $Doc->Select(); 
    my $Range = $Word->Selection();
    with ($Range, ExtendMode => 1);
    $Range->SelectAll(); 

    #Copy selection to clipboard 
    $Range->Copy();

    #Create txt file 
    my $txt_file=$docx_file; 
    $txt_file =~ s/\.docx$/.txt/;
    open(TextFile,">$txt_file") or die "Error while trying to write in $txt_file (!$)"; 
    printf TextFile ("%s\n", Win32::Clipboard::Get()); 
    close TextFile; 

    #Empty the Clipboard (to prevent warning about "huge amount of data in clipboard")
    Win32::Clipboard::Set("");

    #Close Word file without saving 
    $Doc->Close({SaveChanges => wdDoNotSaveChanges});

    # Disconnect OLE 
    undef $Word; 
}

希望这可以帮助你。

您不能做到这一点在VBA，如果你不想启动Word（或其他Office应用程序）。即使你的意思是VB，你还是不得不启动Word的（隐藏）实例做处理。

  

我需要一种方法来转换.doc或.docx的不必安装任何东西为.txt 

for I in *.doc?; do mv $I `echo $ | sed 's/\.docx?/\.txt'`; done

只需开玩笑。

您可以使用的 antiword 的为老版本的Word文档，并试图解析新的XML。

使用 docxtemplater ，你可以很容易地得到一个字的全文（与DOCX只适用）。

下面是代码（Node.js的）

DocxTemplater=require('docxtemplater');
doc=new DocxTemplater().loadFromFile("input.docx");
result=doc.getFullText();

这是只有三个行代码，并且不依赖于任何字实例（所有纯JS）

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top