Linux tüm MS Office belge türlerinden (Word, Excel, Powerpoint) metin ayıklamak için bir yol gerekir. Bunu gerçekleştirmek için Bash veya Python betiği veya PDF'ye dönüştürmek ve sonra pdftotext gibi bir araç kullanarak metni ayıklamak gibi birkaç farklı yaklaşım olabileceğini öngörüyorum.
Bu yaygın bir gereklilik olabilir gibi görünüyor. Bunu kolayca gerçekleştirmek için belirlenmiş bir prosedür veya araç var mı?
Yanıtlar:
Catdoc doc, xls ve ppt'yi metne dönüştürebilir. İkinci seçenek wvWare olacaktır .
Daha fazla araç için http://www.linux.com/archive/articles/52385 adresini kelime-metin dönüştürücüler ve
Sonunda belge ayrıştırma komut dosyası için mükemmel bir araç buldum, bu apache-tika, gazillion metin formatlarını çok serin metne ayrıştırabilir!
Apache Tika'yı buradan edinin:
(Mac Homebrew kullanıcıları: brew install tika)
Komut satırı arabirimi şu şekilde çalışır:
tika --text something.docx > something.txt
Abiword , komut satırından bildiği herhangi bir dosya formatı arasında dönüştürebilir.
Word'den düz metne dönüştürme:
abiword --to=txt myfile.doc
Bir Word dosyasından pdf oluşturun:
abiword --to=pdf myfile.doc
Ve bunun gibi. Bu durumlarda sonuçlar myfile.txt veya myfile.pdf olur. Çıktı adını belirtmek isterseniz, bunu da yapabilirsiniz:
abiword --to=txt --to-name=output.txt myfile.doc
ODT'yi Word'e Dönüştür:
abiword --to=doc myfile.odt
Word'ü ODT'ye Dönüştür:
abiword --to=odt myfile.doc
Diğer cevaplara adil olmak gerekirse, AbiWord'un Word belgelerini işlemek için wvWare kullandığına dikkat edilmelidir, ancak wvWare ana sayfası bile çoğu dönüşüm için AbiWord kullanılmasını önermektedir.
Kelime işlemcilerden nefret ediyorum. AbiWord'u kurmamın ana nedeni budur.
Ayrıca ilginizi çekebilir OpenOffice (e-tablolar ve benzerleri dahil) bilir biçimlerini destekleyen benzer bir araç olan unoconv , ama ben şahsen onunla hiçbir deneyimim yok.
Sen kullanabilirsiniz CUPS (sanal yazıcı) ve ld kullanarak.
Apache Tika'yı bir Python projesinde kullanmak istiyorsanız, lütfen bu blog yayınına bakın .
1.doc catdoc veya antiword doc dosyalarını dönüştürmek için aşağıdaki komutu kullanabilirsiniz catdoc file.doc> dosya veya antiword file.doc> dosya
docx docx2txt
pdf emacs dosyası.pdf ctrl-x ctrl-s dosyası
Docsplit, metni pdf'den ayıklamak için mükemmel bir araçtır. Bu yakut bir mücevher. Bu yüzden docsplit komutunu kullanmadan önce linux sisteminize ruby ve gem'i yüklemelisiniz.
Sisteminizde yakut ve mücevher yoksa, lütfen talimatları izleyin.
Yazılımı yüklemek için root olmanız gerekir (tüm kullanıcılar tarafından kullanılabilir olmasını istediğiniz varsayarsak).
Linux'a ruby'yi yükleyin: yum install ruby Gem'i
yükleyin, lütfen en son gem paketini indirin, ardından talimatı izleyin
tar xzf rubygems-xxxx.tgz
cd rubygems-xxxx
ruby kurulum.rb
Artık RubyGems yüklendiğine göre, gem komutuna sahip olmalısınız (gem, RubyGems paket sistemiyle etkileşim kurmak için kullanılan komuttur). Çalıştırarak test edin:
mücevher listesi
Şimdi, docsplit gemini yüklemek için bir sonraki adıma geçin, lütfen aşağıdaki siteye gidin. http://documentcloud.github.com/docsplit/