【发布时间】：2013-04-01 14:19:26
【问题描述】：
我需要将 MSWord 文件转换为 XML 或 HTML，同时保留文件的结构（主要是表格）。我碰巧找到了tika，它在从MSword文件（以及任何文件）中提取文本方面非常强大，如下：
curl www.vit.org/downloads/doc/tariff.doc \ | java -jar tika-app-1.3.jar --text
我可以从选项中选择将输出保存为html/XML，如下：
curl www.vit.org/downloads/doc/tariff.doc \ | java -jar tika-app-1.3.jar --html
但是输出基本上就像是用HTML写的纯文本，所以无法获取表格结构和其他文档元素。
在 Perl 或 Python 中是否有任何 Tika 实现，可以在维护其元素结构的同时将文档转换为 XML/HTML？或者linux上有没有其他工具可以做到这一点？
【问题讨论】：
-
虽然没有考虑到 tika，但this question 可能会有所帮助。
-
还有Antiword 可能有用但是不知道能不能解析表格。
-
Apache Tika 能够从 Word 文件中提取表格，它甚至有 a unit test for it - testWordHTML()！你的文件有什么不寻常的地方吗？
标签： java python linux perl apache-tika