【发布时间】：2017-11-22 14:18:49
【问题描述】：
docx 到 txt：
我尝试使用以下代码从 docx 中提取文本。当 docx 有图片时，它不起作用。
unzip -p some.docx word/document.xml | sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g'
对于pptx to txt，我找到了一个Perl脚本来提取txt。当 pptx 有图像时它不起作用 - 相同。
我想要提取的 txt 内容，以便在文档中启用搜索选项。因此，将跳过图像并将 docx 文本内容转换为 txt 的命令/脚本甚至会有所帮助！
【问题讨论】：
-
为什么标记为
python？ -
我更喜欢 linux 命令，但即使 perl/python 脚本也可以。
-
如果你有动力，
strings some.docx并手动排序，但它会很长而且很痛苦 -
为什么需要排序？我想单独提取文本。即使跳过图像也可以。
-
您的问题有一个很好的解决方案。我一直在寻找您必须从 docx 文件中提取文本的确切解析（尽管没有图像。）Bravo。
标签： python linux perl text-extraction