将 Word doc 或 docx 文件转换为文本文件？答案

【问题标题】：Convert Word doc or docx files into text files?将 Word doc 或 docx 文件转换为文本文件？
【发布时间】：2014-09-22 22:22:24
【问题描述】：

我需要一种在不安装任何东西的情况下将 .doc 或 .docx 扩展转换为 .txt 的方法。显然，我也不想手动打开 Word 来执行此操作。只要它在自动运行。

我认为 Perl 或 VBA 都可以解决问题，但我在网上都找不到任何东西。

有什么建议吗？

【问题讨论】：

标签： perl vba text-files docx doc

【解决方案1】：

一个简单的仅适用于 docx 的 Perl 解决方案：

使用Archive::Zip 从您的docx 文件中获取word/document.xml 文件。（一个 docx 只是一个压缩档案。）
使用XML::LibXML解析。
然后使用XML::LibXSLT将其转换为文本或html格式。在网上搜索一个不错的docx2txt.xsl 文件:)

干杯！

J.

【讨论】：

【解决方案2】：

请注意，Microsoft Office 应用程序的一个极好的信息来源是对象浏览器。您可以通过Tools → Macro → Visual Basic Editor 访问它。进入编辑器后，按 F2 浏览 Microsoft Office 应用程序提供的接口、方法和属性。

这里是一个使用Win32::OLE的例子：

#!/usr/bin/perl

use strict;
use warnings;

use File::Spec::Functions qw( catfile );

use Win32::OLE;
use Win32::OLE::Const 'Microsoft Word';
$Win32::OLE::Warn = 3;

my $word = get_word();
$word->{Visible} = 0;

my $doc = $word->{Documents}->Open(catfile $ENV{TEMP}, 'test.docx');

$doc->SaveAs(
    catfile($ENV{TEMP}, 'test.txt'),
    wdFormatTextLineBreaks
);

$doc->Close(0);

sub get_word {
    my $word;
    eval {
        $word = Win32::OLE->GetActiveObject('Word.Application');
    };

    die "$@\n" if $@;

    unless(defined $word) {
        $word = Win32::OLE->new('Word.Application', sub { $_[0]->Quit })
            or die "Oops, cannot start Word: ",
                   Win32::OLE->LastError, "\n";
    }
    return $word;
}
__END__

【讨论】：

【解决方案3】：

对于 .doc，我使用 linux 命令行工具 antiword 取得了一些成功。它可以非常快速地从 .doc 中提取文本，从而提供良好的缩进呈现。然后您可以将其通过管道传输到 bash 中的文本文件。

对于 .docx，我使用了 OOXML SDK，就像其他一些用户提到的那样。它只是一个 .NET 库，可以更轻松地使用压缩在 OOXML 文件中的 OOXML。如果您只对文本感兴趣，则有很多元数据需要丢弃。其他人已经写了我看到的代码：DocXToText。

Aspose.Words 有一个非常简单的 API，我也发现它有很好的支持。

还有来自 commandlinefu.com 的 bash 命令，它通过解压缩 .docx 来工作：

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

【讨论】：

【解决方案4】：

如果您可以使用 Java 或 .NET，我强烈推荐 AsposeWords。它可以在所有主要文本文件类型之间进行转换，无需安装 Word。

【讨论】：

【解决方案5】：

如果您安装了某种风格的 unix，您可以使用“字符串”实用程序从文档中查找并提取所有可读字符串。您要查找的文本前后会有一些混乱，但结果将是可读的。

【讨论】：

这是一个很棒的工具...直到现在还没有真正使用过它，我想知道我从哪里得到的信息。再次感谢

【解决方案6】：

请注意，您还可以使用OpenOffice 在 Windows 和 *nix 平台上执行各种文档、绘图、spreadhseet 等转换。

您可以通过 UNO 从存在 UNO 绑定的各种语言（包括通过 OpenOffice::UNO 模块从 Perl 中）以编程方式访问 OpenOffice（类似于 Windows 上的 COM）。

在OpenOffice::UNO page 上，您还可以找到一个打开文档的示例 Perl 脚本，然后您只需使用document.storeToURL() 方法将其导出到txt -- 参见a Python example，它可以是轻松适应您的 Perl 需求。

【讨论】：

【解决方案7】：

.doc 使用WordprocessingML 和.docx's XML format 可以对其XML 进行解析以检索文档的实际文本。您必须阅读他们的规范才能确定哪些标签包含可读文本。

【讨论】：

【解决方案8】：

Sinan Ünür 的方法效果很好。
但是，我正在转换的文件发生了一些崩溃。

另一种方法是使用 Win32::OLE 和 Win32::Clipboard：

打开 Word 文档
选择所有文本
在剪贴板中复制
将剪贴板的内容打印到 txt 文件中
清空剪贴板并关闭 Word 文档

根据 Sigvald Refsu 在http://computer-programming-forum.com/53-perl/c44063de8613483b.htm 中给出的脚本，我想出了以下脚本。

注意：我选择将 txt 文件与 .docx 文件以相同的基本名称保存在同一文件夹中，但这很容易更改

########################################### 
use strict; 
use File::Spec::Functions qw( catfile );
use FindBin '$Bin';
use Win32::OLE qw(in with); 
use Win32::OLE::Const 'Microsoft Word'; 
use Win32::Clipboard; 

my $monitor_word=0; #set 1 to watch MS Word being opened and closed

sub docx2txt {
    ##Note: the path shall be in the form "C:\dir\ with\ space\file.docx"; 
    my $docx_file=shift; 

    #MS Word object
    my $Word = Win32::OLE->new('Word.Application', 'Quit') or die "Couldn't run Word"; 
    #Monitor what happens in MS Word 
    $Word->{Visible} = 1 if $monitor_word; 

    #Open file 
    my $Doc = $Word->Documents->Open($docx_file); 
    with ($Doc, ShowRevisions => 0); #Turn of revision marks 

    #Select the complete document
    $Doc->Select(); 
    my $Range = $Word->Selection();
    with ($Range, ExtendMode => 1);
    $Range->SelectAll(); 

    #Copy selection to clipboard 
    $Range->Copy();

    #Create txt file 
    my $txt_file=$docx_file; 
    $txt_file =~ s/\.docx$/.txt/;
    open(TextFile,">$txt_file") or die "Error while trying to write in $txt_file (!$)"; 
    printf TextFile ("%s\n", Win32::Clipboard::Get()); 
    close TextFile; 

    #Empty the Clipboard (to prevent warning about "huge amount of data in clipboard")
    Win32::Clipboard::Set("");

    #Close Word file without saving 
    $Doc->Close({SaveChanges => wdDoNotSaveChanges});

    # Disconnect OLE 
    undef $Word; 
}

希望对你有帮助。

【讨论】：

【解决方案9】：

如果您不想启动 Word（或其他 Office 应用程序），则无法在 VBA 中执行此操作。即使您指的是 VB，您仍然必须启动 Word 的（隐藏）实例来进行处理。

【讨论】：

只要可以通过windows pc上的计划任务自动完成，word是否打开都没关系....我改写问题

【解决方案10】：

我需要一种无需安装任何东西即可将 .doc 或 .docx 扩展名转换为 .txt 的方法

for I in *.doc?; do mv $I `echo $ | sed 's/\.docx?/\.txt'`; done

开个玩笑。

您可以对旧版本的 Word 文档使用 antiword，并尝试解析新版本的 xml。

【讨论】：

【解决方案11】：

使用docxtemplater，您可以轻松获取单词的全文（仅适用于 docx）。

这是代码（Node.JS）

DocxTemplater=require('docxtemplater');
doc=new DocxTemplater().loadFromFile("input.docx");
result=doc.getFullText();

这只是三行代码，不依赖任何单词实例（都是纯JS）

【讨论】：