如何从Linux中的MS Office文档中提取文本？

我需要一种在Linux中从所有MS Office文档类型（Word，Excel，Powerpoint）中提取文本的方法。我设想可能会有几种不同的方法来完成此任务，例如Bash或Python脚本，或者将它们转换为PDF，然后使用诸如pdftotext之类的工具提取文本。

看来这可能是司空见惯的要求。是否有既定的程序或工具可以轻松完成此任务？

Catdoc可以将doc，xls和ppt转换为文本。第二个选择是wvWare。

有关更多实用程序，请检查http://www.linux.com/archive/articles/52385，以获取文字转文本的掩护和

我终于找到了用于脚本化文档分析的完美工具，它是apache-tika，它可以将大量的非文本格式解析为非常酷的文本！

在此处获取Apache Tika：

http://tika.apache.org/

（苹果机用户家酿：brew install tika）

命令行界面的工作方式如下：

tika --text something.docx > something.txt

Abiword可以从命令行转换它知道的任何文件格式。

从Word转换为纯文本：

abiword --to=txt myfile.doc

从Word文件制作pdf：

abiword --to=pdf myfile.doc

等等。在这些情况下，结果将是myfile.txt或myfile.pdf。如果要指定输出名称，也可以执行以下操作：

abiword --to=txt --to-name=output.txt myfile.doc

将ODT转换为Word：

abiword --to=doc myfile.odt

将Word转换为ODT：

abiword --to=odt myfile.doc

为公平起见，应该注意AbiWord使用wvWare来处理Word文档，但是即使wvWare主页也建议在大多数转换中使用AbiWord。

我讨厌文字处理程序。这是我安装了AbiWord的主要原因。

您可能还对unoconv感兴趣，它是OpenOffice已知的支持格式的类似工具（其中包括电子表格等），但是我个人没有经验。

使用LibreOffice，您可以执行以下操作：

libreoffice --invisible --convert-to pdf file1.ppt file2.ppt

您可以使用CUPS（虚拟打印机）和ld。

wv是一种选择，可以从命令行告诉IIRC OpenOffice以pdf格式导出并退出。

如果要在Python项目中使用Apache Tika，请查看此博客文章。

1.doc catdoc或antiword对doc文件进行转换，可以使用以下命令catdoc file.doc> file或antiword file.doc> file

2. docx docx2txt

3. pdf emacs文件.pdf ctrl-x ctrl-s文件

Docsplit是从pdf提取文本的理想工具。这是红宝石。因此，在使用docsplit命令之前，您应该在Linux系统中安装ruby和gem。

如果您的系统没有红宝石和宝石，请按照说明进行操作。

您必须是root用户才能安装该软件（假设您希望所有用户都可以使用该软件）。

在Linux上安装ruby：yum install ruby
安装gem，请下载最新的gem软件包，然后按照说明进行操作

tar xzf ruby​​gems-xxxx.tgz
cd ruby​​gems-xxxx
ruby setup.rb

现在已经安装了RubyGems，您应该有了gem命令（gem是用于与RubyGems软件包系统进行交互的命令）。通过运行以下命令进行测试：

宝石清单

现在，转到下一步，要安装docsplit gem，请转到以下站点。 http://documentcloud.github.com/docsplit/