如何将.doc或.docx文件转换为.txt文件

Question

我想知道如何通过Java将Word .doc / .docx文件转换为文本文件。 我知道有一个选项，我可以通过Word本身做到这一点，但我希望能够做到这样的事情：

java DocConvert somedocfile.doc converted.txt

谢谢。

Answer 1

如果您对处理Word文档文件的Java库感兴趣，您可能需要查看例如Apache POI 。 来自网站的报价：

我为什么要使用Apache POI？

Apache POI api的主要用途是用于文本提取应用程序，例如Web蜘蛛，索引构建器和内容管理系统。

---

PS ：另一方面，如果您只是在寻找转换实用程序，Stack Overflow可能不是最合适的地方。

---

编辑：如果您不想使用现有的库但是自己完成所有艰苦的工作，您会很高兴听到Microsoft已发布所需的文件格式规范。 （ Microsoft Open Specification Promise列出了可用的规范。只需谷歌搜索您感兴趣的任何一个。在您的情况下，您需要例如OLE2复合文件格式，Word 97二进制文件格式和Open XML格式。）

Answer 2

使用命令行实用程序Apache Tika 。 Tika支持多种格式（例如：doc，docx，pdf，html，rtf ......）

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

编程方式：

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

您也可以使用Apache POI 。 他们有一个从doc / docx 文本提取中提取文本的工具。 如果您只想提取文本，可以使用下面的代码。 如果要提取富文本（例如格式和样式），可以使用Apache Tika。

提取文档：

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();

Answer 3

您应该考虑使用此库。 它的Apache POI

摘自网站

简而言之，您可以使用Java读写MS Excel文件。 此外，您还可以使用Java读取和写入MS Word和MS PowerPoint文件。 Apache POI是您的Java Excel解决方案（适用于Excel 97-2008）。 我们有一个完整的API用于移植其他OOXML和OLE2格式，并欢迎其他人参与。

Answer 4

Docmosis可以阅读文档并吐出文本。 需要安装一些基础架构（例如OpenOffice）。 您也可以使用JODConverter 。