命令获取Office文档内容

批量获取Office文档的文本内容用于文本解析或者文本分析

docx类型文档读取

使用pandoc命令进行文件类型转换

pandoc test-getdocxcontent.docx -o testdocx.txt

使用python的模块docx2txt

• 安装 docx2txt

pip install docx2txt

• 获取文档内容

docx2txt ./test/test-getdocxcontent.docx
# extract text and images
# docx2txt -i /tmp/img_dir test-getdocxcontent.docx

原始文档

解析结果

让工作  更精彩
推荐编号：207339
推荐公司：浙jds投资管理有限公司
推荐职位：数据挖掘工程师
推荐顾问：
推荐时间：2017-11-06
。。。。。。。

doc类型文档读取

目前尝试成功的方法：使用开源的Office：libreoffice通过命令行来进行格式转换或者获取文本内容

## libreoffice下载地址
https://downloadarchive.documentfoundation.org/libreoffice/old/4.4.2.2/rpm/x86_64/
## 安装方法
http://www.techoism.com/install-libreoffice-4-4-on-centosrhel/
## 格式转化命令:将doc转为docx
libreoffice4.4 --headless --convert-to docx --outdir /u/user/doc_folder /u/user/doc_folder/old_office/file.doc
## 格式转化命令:将doc转为txt
libreoffice4.4 --headless --convert-to txt --outdir /u/user/doc_folder /u/user/doc_folder/old_office/file.doc