如何读取 .doc .docx 的文本内容...

[aisensiy]

自己 search 了一下，找到了 Apache 下的一个项目 POI。尝试了一下，发现中文乱码问题无法解决 T_T。小崩溃。

主要是 .doc 或者 .docx 里面的编码是神马啊。

code 在这里 https://gist.github.com/aisensiy/5712530

希望有经验的同学帮帮忙。

如果这个方法行不通，不知有没有其他的方式呢。主要是希望在 *nix 平台可以适用。

[loading]

我还想说win32api呢…

[swulling]

http://dag.wieers.com/home-made/unoconv/

转成txt看

[Nourl]

思路：
*.doc *.docx是由几个xml文件拼成的，后缀改成*.zip后打开可以看到这几个xml文件。
1. 提取xml文件
2. 脚本xml库读取需要的内容

[homfen]

用UTF8试试

[lizheming]

.doc(x)文档不就是一个压缩包么，你把后缀改成.zip解压就好了...东西一应俱全~

[aisensiy]

@lizheming
@Nourl

多谢指点，看到主要内容了。但是，xml 依然一片混乱啊，样式混杂，没有和排版出来的一一对应关系。

[leafgray]

extract再自己getbytes转一下干什么呢？
docx可以用docx4j.... doc主要还是poi... (JAVA)

[Part]

@lizheming 解压了一下，表示没发现有内容文件，只有 _rels/.rels theme [Content_Types].xml

[xiaoxuxu]

中文应该都是GB2312。以前试过用poi转成html，中文是正常的

[lizheming]

@Part .doc的好像不是规范的协议，貌似不能单纯解压..原谅我的信口开河吧o(╯□╰)o

[micyng]

docx有标准协议，直接看协议文档不就好了

[dreampuf]

MS Office 有两种协议 97(H*F)和03(X**F)，不要自己解压然后解析，开源最成熟（相对）是Apache POI，例子 http://poi.apache.org/text-extraction.html
如果是单纯导出文本也可以借鉴基于POI的 tika http://tika.apache.org/

> The Apache Tika™ toolkit detects and extracts metadata and structured text content from various documents using existing parser libraries.

[Muninn]

好勤奋呀,研究这个,我都是直接用库或者Win32 API的