Мы ищем программу, которая позволяет нам конвертировать документ doc или docx в файл txt. Мы работаем с Linux и хотим запустить веб-сайт, который конвертирует загруженные пользователем файлы документов. Мы не хотим использовать open office/libre office, потому что у нас с этим плохой опыт. Pandoc не может обрабатывать файлы документов :/
У кого-нибудь есть идея?
Вам придется использовать два разных инструмента командной строки, в зависимости от того, работаете ли вы с форматом .doc или .docx.
Для .doc используйте catdoc:
catdoc foo.doc > foo.txt
Для .docx используйте docx2txt:
docx2txt foo.docx
Последний создаст файл с именем foo.txt в том же каталоге, что и оригинал.
Я не уверен, какой дистрибутив Linux вы используете, но и catdoc, и docx2txt доступны в репозиториях Ubuntu, например:
apt-get install docx2txt
Или с Homebrew на Mac:
brew install docx2txt
вот perl-проект, который утверждает, что делает это. Я также многое сделал вручную, используя XSLT в document.xml. сам файл Docx представляет собой просто zip-файл, вы можете разархивировать его и проверить элементы. Я скажу, что это нетрудно сделать для конкретных файлов, но очень трудно сделать в общем случае из-за отсутствия документации о том, как Word хранит вещи внутри, и различий во внутреннем представлении.
Для файлов doc вы можете использовать Antiword, он доступен в Homebrew и Ubuntu.
