Tôi cần một cách để trích xuất văn bản từ tất cả các loại tài liệu MS Office (Word, Excel, Powerpoint), trong Linux. Tôi hình dung rằng có thể có một số cách tiếp cận khác nhau để thực hiện điều này, chẳng hạn như tập lệnh Bash hoặc Python hoặc chuyển đổi chúng thành PDF và sau đó trích xuất văn bản bằng một công cụ như pdftotext.
Điều này có vẻ như nó có thể là một yêu cầu phổ biến. Có một quy trình hoặc công cụ được thiết lập để thực hiện điều này một cách dễ dàng?
Câu trả lời:
Catdoc có thể chuyển đổi doc, xls & ppt thành văn bản. Tùy chọn thứ hai sẽ là wvWare .
Để biết thêm tiện ích, hãy kiểm tra http://www.linux.com/archive/articles/52385 để chuyển đổi từ thành văn bản và
Cuối cùng tôi đã tìm thấy công cụ hoàn hảo để phân tích cú pháp tài liệu, đó là apache-tika, nó có thể phân tích các định dạng phi văn bản thành văn bản rất tuyệt!
Nhận Apache Tika tại đây:
(Người dùng Mac Homebrew brew install tika:)
Giao diện dòng lệnh hoạt động như thế này:
tika --text something.docx > something.txt
Abiword có thể chuyển đổi từ dòng lệnh giữa bất kỳ định dạng tệp nào nó biết.
Chuyển đổi từ Word sang văn bản thuần túy:
abiword --to=txt myfile.doc
Tạo pdf từ tệp Word:
abiword --to=pdf myfile.doc
Và như thế. Kết quả trong những trường hợp này sẽ là myfile.txt hoặc myfile.pdf. Nếu bạn muốn chỉ định tên đầu ra, bạn cũng có thể làm điều đó:
abiword --to=txt --to-name=output.txt myfile.doc
Chuyển đổi ODT sang Word:
abiword --to=doc myfile.odt
Chuyển đổi Word sang ODT:
abiword --to=odt myfile.doc
Để công bằng cho các câu trả lời khác, cần lưu ý rằng AbiWord sử dụng wvWare để xử lý các tài liệu Word, nhưng ngay cả trang chủ wvWare cũng khuyên bạn nên sử dụng AbiWord thay vì hầu hết các chuyển đổi.
Tôi ghét bộ xử lý văn bản. Đây là lý do chính tôi đã cài đặt AbiWord.
Bạn cũng có thể quan tâm đến unoconv , một công cụ tương tự hỗ trợ các định dạng mà OpenOffice biết (sẽ bao gồm bảng tính và những thứ tương tự), nhưng cá nhân tôi không có kinh nghiệm với nó.
Bạn có thể sử dụng CUPS (máy in ảo) và bằng cách sử dụng ld.
Nếu bạn muốn sử dụng Apache Tika trong dự án Python, vui lòng xem bài đăng trên blog này .
1.doc catdoc hoặc antiword cho các tệp doc để chuyển đổi, bạn có thể sử dụng lệnh sau catdoc file.doc> file hoặc antiword file.doc> file
docx docx2txt
tập tin pdf emacs.pdf tập tin ctrl-x ctrl-s
Docsplit là công cụ hoàn hảo để trích xuất văn bản từ pdf. Đó là một viên đá quý ruby. Vì vậy, bạn nên cài đặt ruby và gem trong hệ thống linux của mình trước khi sử dụng lệnh docsplit.
Nếu hệ thống của bạn không có ruby và đá quý, vui lòng làm theo hướng dẫn.
Bạn phải root để cài đặt phần mềm (giả sử bạn muốn nó có sẵn cho tất cả người dùng).
Cài đặt ruby trên linux: yum install ruby
Cài đặt gem, vui lòng tải xuống gói gem mới nhất, sau đó làm theo hướng dẫn
tar xzf rubygems-xxxx.tgz
cd rubygems-xxxx
ruby setup.rb
Bây giờ RubyGems đã được cài đặt, bạn nên có lệnh gem (gem là lệnh được sử dụng để tương tác với hệ thống gói RubyGems). Kiểm tra nó bằng cách chạy:
danh sách đá quý
Bây giờ, chuyển sang bước tiếp theo, để cài đặt gem docsplit, vui lòng xem trang web sau. http://documentcloud.github.com/docsplit/