【问题讨论】：
Software Recommendations为什么不在这里转移呢？我也搜索类似任务的软件，但没有找到最佳答案。但可以推荐 pandoc 作为甚至表格正确转换的最佳解决方案。所以我建议重新提出问题。
标签： unix extract docx doc text-extraction
如果你想要纯文本（我的要求），那么你只需要
unzip -p some.docx word/document.xml | sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g'
我在command line fu找到的
它解压缩 docx 文件并获取实际文档，然后剥离所有 xml 标签。显然所有格式都丢失了。
【讨论】：
unzip -p document.docx word/document.xml | sed -e 's/<\/w:p>/\n/g; s/<[^>]\{1,\}>//g; s/[^[:print:]\n]\{1,\}//g' 注意附加的 sed 参数，用实际的换行符替换换行符的 XML 表示，并且我编辑了最后一个 sed 参数以不去除换行符。这使得上述命令对于区分 Word 文档更加有用。
一个选项是libreoffice/openoffice 处于无头模式（确保所有其他 libreoffice 实例首先关闭）：
libreoffice --headless --convert-to "txt:Text (encoded):UTF8" mydocument.doc
有关详细信息，请参阅例如此链接：http://ask.libreoffice.org/en/question/2641/convert-to-command-line-parameter/
有关 libreoffice 过滤器列表，请参阅 http://cgit.freedesktop.org/libreoffice/core/tree/filter/source/config/fragments/filters
由于 openoffice 命令行语法有点过于复杂，所以有一个方便的包装器可以使过程更容易：unoconv。
另一个选项是Apache POI — 一个得到很好支持的 Java 库，它与 antiword 不同，它可以读取、创建和转换 .doc、.docx、.xls、.xlsx、.ppt、.pptx 文件。
以下是将.doc 或.docx 文档转换为纯文本的最简单的Java 代码：
import java.io.FileInputStream;
import java.io.FileWriter;
import java.io.IOException;
import org.apache.poi.POITextExtractor;
import org.apache.poi.extractor.ExtractorFactory;
import org.apache.poi.openxml4j.exceptions.OpenXML4JException;
import org.apache.xmlbeans.XmlException;
public class WordToTextConverter {
public static void main(String[] args) {
try {
convertWordToText(args[0], args[1]);
} catch (ArrayIndexOutOfBoundsException aiobe) {
System.out.println("Usage: java WordToTextConverter <word_file> <text_file>");
}
}
public static void convertWordToText(String src, String desc) {
try {
FileInputStream fs = new FileInputStream(src);
final POITextExtractor extractor = ExtractorFactory.createExtractor(fs);
FileWriter fw = new FileWriter(desc);
fw.write(extractor.getText());
fw.flush();
fs.close();
fw.close();
} catch (IOException | OpenXML4JException | XmlException e) {
e.printStackTrace();
}
}
}
# Maven dependencies (pom.xml):
<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>my.wordconv</groupId>
<artifactId>my.wordconv.converter</artifactId>
<version>1.0-SNAPSHOT</version>
<dependencies>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi</artifactId>
<version>3.17</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-ooxml</artifactId>
<version>3.17</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-scratchpad</artifactId>
<version>3.17</version>
</dependency>
</dependencies>
</project>注意：您需要将 apache poi 库添加到类路径中。在 ubuntu/debian 上，这些库可以使用sudo apt-get install libapache-poi-java 安装——这会将它们安装在/usr/share/java 下。对于其他系统，您需要download 库并将存档解压缩到您应该使用的文件夹而不是/usr/share/java。如果您使用 maven/gradle（推荐选项），则包括 org.apache.poi dependencies，如代码 sn-p 所示。
相同的代码适用于.doc 和.docx，因为将通过检查二进制流来选择所需的转换器实现。
编译上面的类（假设它在默认包中，并且apache poi jars在/usr/share/java下）：
javac -cp /usr/share/java/*:. WordToTextConverter.java
运行转换：
java -cp /usr/share/java/*:. WordToTextConverter doc.docx doc.txt
一个clonable gradle project，它提取所有必要的依赖项并生成包装器外壳脚本（使用gradle installDist）。
【讨论】：
Error: Please reverify input parameters...，当我切换到 --convert-to "txt:Text (encoded):UTF8" 时我就消失了，所以我建议（即使你不'没有非ASCII字符）。
/Applications/LibreOffice.app/Contents/MacOS/soffice --headless --help
brew cask info libreoffice 指向github.com/Homebrew/homebrew-cask/blob/master/Casks/… 处的公式，您可以在其中看到它还在/usr/local/bin/soffice 下放置了一个包装脚本。万一公式被删除，或者您需要比 brew 提供的版本更新的版本，了解究竟发生了什么是很有用的。
试试Apache Tika。它使用基于 Java 的库（其中包括Apache POI）支持大多数文档格式（每种 MS Office 格式、OpenOffice/LibreOffice 格式、PDF 等）。使用非常简单：
java -jar tika-app-1.4.jar --text ./my-document.doc
【讨论】：
我最喜欢的是antiword：
这是一个声称支持 docx 的类似项目：
【讨论】：
我发现wv 比 catdoc 或 antiword 更好。它可以处理 .docx 并转换为文本或 html。这是我添加到我的 .bashrc 中的一个函数，用于在终端中临时查看文件。根据需要进行更改。
# open word in less (ie worl document.doc)
worl() {
DOC=$(mktemp /tmp/output.XXXXXXXXXX)
wvText $1 $DOC
less $DOC
rm $DOC
}
【讨论】：
brew install wv && brew install elinks。
对于 docx，http://libopc.codeplex.com/ 怎么样
【讨论】：
我最近处理了这个问题，发现 OpenOffice/LibreOffice 命令行工具在生产中不可靠（处理了数千个文档，同时处理了数十个文档）。
最终，我构建了一个轻量级包装器DocRipper，它速度更快，并且可以从 .doc、.docx 和 .pdf 中抓取所有文本而无需格式化。 DocRipper 利用 Antiword、grep 和 pdftotext 抓取文本并返回。
【讨论】：