MS Office ドキュメントをプレーンテキストまたは HTML (テキストへの変換用) に変換するライブラリ (またはコマンド ライン ツール) を探しています。
Linux で実行する必要があります (Wine 経由ではありません!)。
antiword を見つけましたが、最後のリリースは 2005 だったので、新しい Office 2007 形式を読み取れません。
Word、Excel、および Powerpoint ドキュメントを読むために必要です
1663 次
4 に答える
4
新しい Office 2007 形式は、(ZIP) 圧縮された XML です。
すべてのテキスト (少なくとも .docx 形式) は、(ファイルを解凍すると) word フォルダーの document.xml ファイルにあります。すべての XML タグからそれを取り除くと、テキストが得られます。フォーマットは間違いなく失われますが、テキストのインデックス作成などを行いたい場合は、とにかくフォーマットは関係ありません。順序は保持されます。
Excel と Powerpoint を分析したことはありませんが、アプローチは似ているはずです。XML ファイルにセルがどのように格納されているかによっては、Excel の方が扱いにくい場合があります。
于 2009-11-17T06:58:34.803 に答える
2
Apache POI ライブラリは、オフィス形式からテキストを抽出できます。これはLucene の Tikaによって使用されます。Tika はコマンド ライン ツールとして実行できます。
curl http://.../document.doc \
| java -jar tika-app-x.y.jar --text \
| grep -q keyword
于 2009-11-17T08:12:09.057 に答える
0
アプリケーションで使用するための適切なライセンスで Autonomy Keyview を使用できます。非常に強力なようで、ほとんどすべてからテキストを抽出できます。これを使用して、任意の形式のファイル内のテキストを識別します。
ライセンス条項が何であるかはわかりませんが、アカウントマネージャーから入手できます:)
于 2009-11-17T21:59:24.020 に答える
0
OpenOffice を自動化するためのPyODConverter 。それを使用して変換を行います。
Doc を PDF に変換するOONinja の例ですが、OpenOffice がサポートするインポートまたはエクスポートはすべて機能するはずです。必要に応じてヘッドレスで作業できるという利点もあります。
他のオプションには、 Abiword 、またはコマンドラインWvWare を処理したいだけですが、 Docxはサポートされていないと思います。
于 2009-11-17T07:42:32.023 に答える