我有大约 30 个 .docx 文档（简历），其中包含有关人员姓名、技能等的数据。我需要使用其中的一些信息填充电子表格，并且为了减少手动工作，我认为我可以使用文本挖掘方法。
是否有任何工具或方法可用于从这些文档中挖掘（某种半结构化）信息？
【问题讨论】：
标签： text ms-word data-mining text-mining
在 docx 或 doc 中有多种读取 word 文件的方法， docx 文件只是一个花哨的容器。但是 doc 文件提取起来有点棘手。
我会告诉你一些从word中提取文本的方法
【讨论】：
您可以尝试使用catdoc http://www.wagner.pp.ru/~vitus/software/catdoc/ 工具，该工具将从MS Word 文件中提取文本内容，然后执行您想要的任何文本处理。我可能只是grep，因为简历中存在某些单词，而不是 catdoc 的输出。过度设计解决方案毫无意义。
【讨论】：
我能想到的最好方法是使用 perl，因为我知道您可以使用 perl 模块 pull from word documents（尽管这本身可能很棘手）和 populate xml spreadsheets。
我已经很久没有愤怒地写过perl了，所以我无法提供如何做到这一点的例子，但是如果我要把一些东西放在一起来做到这一点，我会推荐perl。我相信有人会说在 python 中，甚至在 Ruby 中也有等价的函数，但是我使用的是 perl，我发现它对于操作/匹配/解析/处理文本非常有效。
【讨论】：