Ho bisogno di un modo per estrarre il testo da tutti i tipi di documenti di MS Office (Word, Excel, Powerpoint), in Linux. Immagino che potrebbero esserci diversi approcci per ottenere questo risultato, come uno script Bash o Python, o convertirli in PDF e quindi estrarre il testo usando uno strumento come pdftotext.
Sembra che potrebbe essere un requisito comune. Esiste una procedura o uno strumento stabilito per farlo facilmente?
Risposte:
Catdoc può convertire doc, xls e ppt in testo. La seconda opzione sarebbe wvWare .
Per ulteriori programmi di utilità, consultare http://www.linux.com/archive/articles/52385 per i word-to-textter e
Ho finalmente trovato lo strumento perfetto per l'analisi del documento di scripting, è apache-tika, può analizzare gazillion di formati non testuali in testo che è molto bello!
Ottieni Apache Tika qui:
(Utenti Mac Homebrew: brew install tika)
L'interfaccia della riga di comando funziona in questo modo:
tika --text something.docx > something.txt
Abiword può convertire dalla riga di comando tra tutti i formati di file che conosce.
Converti da Word a testo semplice:
abiword --to=txt myfile.doc
Crea un pdf da un file Word:
abiword --to=pdf myfile.doc
E così via. I risultati in questi casi sarebbero myfile.txt o myfile.pdf. Se vuoi specificare il nome dell'output puoi farlo anche tu:
abiword --to=txt --to-name=output.txt myfile.doc
Converti ODT in Word:
abiword --to=doc myfile.odt
Converti Word in ODT:
abiword --to=odt myfile.doc
In tutta onestà ad altre risposte, va notato che AbiWord utilizza wvWare per gestire i documenti di Word, ma anche la homepage di wvWare consiglia invece di utilizzare AbiWord per la maggior parte delle conversioni.
Odio i word processor. Questo è il motivo principale per cui ho installato AbiWord.
Potresti anche essere interessato a unoconv , che è uno strumento simile che supporta i formati che OpenOffice conosce (che includerebbe fogli di calcolo e simili), ma non ho esperienza personale con esso.
È possibile utilizzare CUPS (stampante virtuale) e utilizzando ld.
Se vuoi usare Apache Tika in un progetto Python, dai un'occhiata a questo post sul blog .
1.doc catdoc o antiword per i file doc da convertire è possibile utilizzare il seguente comando catdoc file.doc> file o antiword file.doc> file
docx docx2txt
pdf emacs file.pdf file ctrl-x ctrl-s
Docsplit è lo strumento perfetto per estrarre il testo da pdf. È una gemma rubino. Quindi dovresti installare ruby e gem nel tuo sistema linux prima di usare il comando docsplit.
Se il tuo sistema non aveva il rubino e la gemma, segui le istruzioni.
Devi essere root per installare il software (supponendo che tu voglia che sia disponibile per tutti gli utenti).
Installa il ruby su Linux: yum installa il ruby
Installa il gem, scarica l'ultimo pacchetto gem, quindi segui le istruzioni
tar xzf rubygems-xxxx.tgz
cd rubygems-xxxx
ruby setup.rb
Ora che RubyGems è installato, dovresti avere il comando gem (gem è il comando usato per interagire con il sistema di pacchetti RubyGems). Provalo eseguendo:
lista di gemme
Ora, vai al passaggio successivo, per installare la gemma docsplit, vai al seguente sito. http://documentcloud.github.com/docsplit/