Przeszukujemy program, który pozwala nam przekonwertować dokument lub dokument docx na plik txt. Pracujemy z linuxem i chcemy uruchomić stronę internetową, która konwertuje pliki doc przesłane przez użytkownika. Nie chcemy korzystać z open office/libre office, ponieważ mamy z tym złe doświadczenia. Pandoc nie może obsługiwać plików doc:/Konwersja dokumentu do txt za pomocą linii poleceń
Ktoś ma pomysł?
tutaj jest perl project, który twierdzi, że to robi. Zrobiłem wiele tego również ręcznie, używając XSLT na document.xml. sam plik Docx jest po prostu plikiem zip, możesz go rozpakować i sprawdzić elementy. Powiem, że nie jest to trudne do zrobienia dla konkretnych plików, ale jest bardzo trudne do zrobienia w ogólnym przypadku, z powodu braku dokumentacji dotyczącej tego, jak Word wewnętrznie przechowuje rzeczy i wariancji wewnętrznej reprezentacji.
Będziesz musiał użyć dwóch różnych narzędzi wiersza polecenia, w zależności, czy używasz formatu .doc lub .docx.
Dla .doc użytku catdoc:
catdoc foo.doc > foo.txt
Dla .docx użytku docx2txt:
docx2txt foo.docx
Ten ostatni będzie produkować plik o nazwie foo.txt w tym samym katalogu, co oryginał.
Nie jestem pewien, której dystrybucji Linuksa używasz, ale zarówno catdoc, jak i docx2txt są dostępne na przykład z repozytoriów Ubuntu.