如何从.doc和.docx文件中只提取纯文本？ (unix)[closed]

发布时间：2020-12-15 09:10:55 所属栏目：安全来源：网络整理

导读：任何人知道他们可以推荐什么，以便只提取来自.doc或.docx的纯文本？我发现这个Best way to extract text from a Word doc without using COM/automation? – 想知道是否有任何其他建议吗？速度并不重要，我们甚至可以使用一个网站，有一些API上传和解压缩

任何人知道他们可以推荐什么，以便只提取来自.doc或.docx的纯文本？

我发现这个Best way to extract text from a Word doc without using COM/automation? – 想知道是否有任何其他建议吗？

速度并不重要，我们甚至可以使用一个网站，有一些API上传和解压缩文件，但我一直无法找到一个。

谢谢

如果你想纯纯文本(我的要求)，那么你需要的是

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

我在command line fu发现

它解压缩docx文件并获取实际文档，然后剥离所有xml标记。显然，所有格式化都丢失了。

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!