Eu preciso de uma maneira de extrair o texto de todos os tipos de documentos do MS Office (Word, Excel, Powerpoint), no Linux. Eu imagino que possa haver várias abordagens diferentes para fazer isso, como um script Bash ou Python, ou convertê-las em PDF e depois extrair o texto usando uma ferramenta como pdftotext.
Parece que isso pode ser um requisito comum. Existe um procedimento ou ferramenta estabelecida para fazer isso facilmente?
Respostas:
O Catdoc pode converter documentos, xls e ppt em texto. A segunda opção seria o wvWare .
Para obter mais utilitários, verifique http://www.linux.com/archive/articles/52385 para obter informações sobre texto para texto e
Finalmente encontrei a ferramenta perfeita para a análise de documentos por script, é o apache-tika, ele pode analisar gazilhões de formatos não-texto em texto, o que é muito legal!
Obtenha o Apache Tika aqui:
(Usuários do Mac Homebrew: brew install tika)
A interface da linha de comandos funciona assim:
tika --text something.docx > something.txt
O Abiword pode converter da linha de comando entre os formatos de arquivo que ele conhece.
Converter do Word em texto sem formatação:
abiword --to=txt myfile.doc
Faça um pdf a partir de um arquivo do Word:
abiword --to=pdf myfile.doc
E assim por diante. Os resultados nesses casos seriam myfile.txt ou myfile.pdf. Se você deseja especificar o nome da saída, também pode fazer isso:
abiword --to=txt --to-name=output.txt myfile.doc
Converter ODT para Word:
abiword --to=doc myfile.odt
Converter Word em ODT:
abiword --to=odt myfile.doc
Para ser justo com outras respostas, deve-se observar que o AbiWord usa o wvWare para manipular documentos do Word, mas mesmo a página inicial do wvWare recomenda o uso do AbiWord na maioria das conversões.
Eu odeio processadores de texto. Esta é a principal razão pela qual o AbiWord está instalado.
Você também pode se interessar pela desconocon , que é uma ferramenta semelhante que suporta os formatos que o OpenOffice conhece (que incluiria planilhas e similares), mas não tenho experiência com isso pessoalmente.
Você pode usar o CUPS (impressora virtual) e usando o ld.
wv é uma opção e o IIRC OpenOffice pode ser instruído a partir da linha de comando para exportar como pdf e sair.
Se você deseja usar o Apache Tika em um projeto Python, confira esta postagem no blog .
1.doc catdoc ou antiword para arquivos doc serem convertidos, você pode usar o seguinte comando catdoc file.doc> file ou antiword file.doc> file
docx docx2txt
pdf emacs file.pdf arquivo ctrl-x ctrl-s
Docsplit é a ferramenta perfeita para extrair o texto de pdf. É uma jóia de rubi. Portanto, você deve instalar o ruby e o gem no seu sistema linux antes de usar o comando docsplit.
Se o seu sistema não possui ruby e gem, siga as instruções.
Você deve ser root para instalar o software (supondo que você queira que ele esteja disponível para todos os usuários).
Instale o ruby no linux: yum install ruby
Instale o gem, faça o download do pacote gem mais recente e siga as instruções
tar xzf rubygems-xxxx.tgz
cd rubygems-xxxx
ruby setup.rb
Agora que o RubyGems está instalado, você deve ter o comando gem (gem é o comando usado para interagir com o sistema de pacotes RubyGems). Teste-o executando:
lista de gemas
Agora, vá para a próxima etapa, para instalar a jóia do docsplit, vá para o site a seguir. http://documentcloud.github.com/docsplit/