如何將.doc或.docx文件轉換爲.txt

Question

我在想如何通過Java將Word .doc/.docx文件轉換爲文本文件。據我所知，有一個選項在那裏我可以做到這一點通過詞本身，但我希望能夠做這樣的事情：

java DocConvert somedocfile.doc converted.txt 

感謝。

Answer 1

如果您對處理Word文檔文件的Java庫感興趣，可以查看如Apache POI。來自網站的報價：

爲什麼要使用Apache POI？

主要使用Apache POI API的是 對文本提取應用，如 網絡蜘蛛，指數建設者和 內容管理系統。

---

附：：另一方面，如果你只是在尋找一個轉換工具，Stack Overflow可能不是最合適的地方。

---

編輯：如果你不希望使用現有的庫，但做的所有努力工作你自己，你會很高興地聽到，微軟已經公佈了所需的文件格式規範。 （Microsoft Open Specification Promise列出了可用的規範，對於任何你感興趣的任何人，只需google。在你的情況下，你需要例如OLE2複合文件格式，Word 97二進制文件格式和Open XML格式。）

Answer 2

你應該考慮使用這個庫。它從網站

總之Apache POI

的摘錄，你可以閱讀和使用Java編寫MS Excel文件。此外， 您可以使用Java讀取和寫入MS Word和MS PowerPoint文件。 Apache POI是您的Java Excel解決方案（適用於 Excel 97-2008）。我們有完整的API 用於移植其他OOXML和OLE2 格式，並歡迎其他人蔘加 。

Answer 3

Docmosis可以讀取文檔並吐出文本。需要安裝一些基礎設施（如OpenOffice）。 您也可以使用JODConverter。

Answer 4

使用命令行實用程序Apache Tika。 Tika支持多種格式（例如：doc，docx，pdf，html，rtf ...）

java -jar tika-app-1.3.jar -t somedocfile.doc > converted.txt 

編程方式：

File inputFile = ...; 
Tika tika = new Tika(); 
String extractedText = tika.parseToString(inputFile); 

您可以使用Apache的POI了。他們有一個工具可以從doc/docx Text Extraction中提取文本。如果你只想提取文本，你可以使用下面的代碼。如果你想提取Rich Text（例如格式和樣式），你可以使用Apache Tika。

提取DOC：

InputStream fis = new FileInputStream(...); 
POITextExtractor extractor; 
// if docx 
if (fileName.toLowerCase().endsWith(".docx")) { 
    XWPFDocument doc = new XWPFDocument(fis); 
    extractor = new XWPFWordExtractor(doc); 
} else { 
    // if doc 
    POIFSFileSystem fileSystem = new POIFSFileSystem(fis); 
    extractor = ExtractorFactory.createExtractor(fileSystem); 
} 
String extractedText = extractor.getText();