word 转 text 的有比较完美的方案吗

[tomheng]

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？

[hinomo]

doc 转 docx （逃

[ghhardy]

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

[hundan]

直接另存为？

[lihongjie0209]

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]

word:Ctrl+A
notebook:Ctrl+V
搞定，效率很高

[tomheng]

@dsp2138 要用程序转的，网站的一个功能模块

[tomheng]

@lihongjie0209 我先研究下，谢谢

[tomheng]

@longyujin9 也是一种思路 :)

[zjsxwc]

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

[zjsxwc]

确实有：

https://github.com/dotnetcore/NPOI

[stringtheory]

可以试试 pandoc

[MonoLogueChi]

修正一下，docx 是 rar 压缩包

[lushilu001]

catdoc

[hundan]

@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]

unoconv

[cnkiller]

我给楼主说一下吧。com 方式另存为 txt，效果最好

[envylee]

@dsp2138 兄弟说得很有道理哈哈哈哈

[iwtbauh]

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

[gnaggnoyil]

@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]

windows 下可以用 pywin32com。

[PythonAnswer]

com 是个好东西。linux 下一班怎么玩？有类似的吗？

[omph]

Apache POI - the Java API for Microsoft Documents

[shilyx]

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]

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

[gnaggnoyil]

@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]

uno 是包装的 java，调用起来不太爽

[Doodlister]

@longyujin9 纯文本的话。。 直接 OCR。。。比你这个还暴力 哈哈