Мені потрібен спосіб вилучення тексту з усіх типів документів MS Office (Word, Excel, Powerpoint) в Linux. Я передбачаю, що для цього може бути кілька різних підходів, таких як сценарій Bash або Python, або перетворення їх у PDF, а потім вилучення тексту за допомогою інструменту, такого як pdftotext.
Здається, це може бути звичною вимогою. Чи існує встановлена процедура чи інструмент для цього легко?
Відповіді:
Catdoc може конвертувати doc, xls & ppt у текст. Другим варіантом буде wvWare .
Щоб отримати додаткові утиліти, перевірте http://www.linux.com/archive/articles/52385 на предмет обкладинки від тексту до тексту та
Нарешті я знайшов ідеальний інструмент для розбору сценаріїв розбору документів, це apache-tika, він може розібрати в тексті газильйон нетекстових форматів, що дуже круто!
Отримайте Apache Tika тут:
(Користувачі Mac Homebrew: brew install tika)
Інтерфейс командного рядка працює так:
tika --text something.docx > something.txt
Abiword може конвертувати з командного рядка між будь-якими відомими їм форматами файлів.
Перетворити з Word у звичайний текст:
abiword --to=txt myfile.doc
Створіть PDF-файл із файлу Word:
abiword --to=pdf myfile.doc
І так далі. Результатом у цих випадках буде myfile.txt або myfile.pdf. Якщо ви хочете вказати ім'я виводу, ви також можете це зробити:
abiword --to=txt --to-name=output.txt myfile.doc
Перетворити ODT в Word:
abiword --to=doc myfile.odt
Перетворити слово в ODT:
abiword --to=odt myfile.doc
Справедливості до інших відповідей слід зазначити, що AbiWord використовує wvWare для обробки документів Word, але навіть домашня сторінка wvWare рекомендує використовувати AbiWord замість цього для більшості конверсій.
Я ненавиджу текстових процесорів. Це основна причина встановлення AbiWord.
Можливо, вас також зацікавить unoconv , який є подібним інструментом підтримки форматів, який OpenOffice знає (який би включав електронні таблиці тощо), але я особисто не маю цього досвіду.
Ви можете використовувати CUPS (віртуальний принтер) та за допомогою ld.
Якщо ви хочете використовувати Apache Tika в проекті Python, будь ласка, ознайомтеся з цією публікацією в блозі .
1.doc catdoc або antiword для doc-файлів для перетворення ви можете використовувати таку команду catdoc file.doc> файл або antiword file.doc> файл
docx docx2txt
pdf emacs file.pdf ctrl-x ctrl-s файл
Docsplit - ідеальний інструмент для вилучення тексту з PDF. Це дорогоцінний камінь. Тому вам слід встановити рубін і дорогоцінний камінь у вашій системі Linux, перш ніж використовувати команду docsplit.
Якщо у вашій системі не було рубіну та самоцвіту, будь ласка, дотримуйтесь інструкцій.
Ви повинні мати root права на встановлення програмного забезпечення (якщо ви хочете, щоб воно було доступним для всіх користувачів).
Встановіть рубін на Linux: yum install ruby
Встановіть дорогоцінний камінь, завантажте найновіший пакет дорогоцінних каменів, а потім дотримуйтесь інструкцій
tar xzf rubygems-xxxx.tgz
cd rubygems-xxxx
ruby setup.rb
Тепер, коли RubyGems встановлений, ви повинні мати команду gem (gem - команда, яка використовується для взаємодії з пакетною системою RubyGems). Перевірте це, запустивши:
список дорогоцінних каменів
Тепер перейдіть до наступного кроку, щоб встановити дорогоцінний камінь docsplit, перейдіть на наступний сайт. http://documentcloud.github.com/docsplit/