抽出テキストコンテンツ - txtをするのlinux

Question

DOCX：

私はdocxファイルからテキストを抽出するための次のコードを試してみました。 docxが画像を持っているときは動作しません。をtxtをするPPTXについては

unzip -p some.docx word/document.xml | sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g' 

、私はTXTを抽出するためのPerlスクリプトを発見しました。 pptxがイメージを持っているときには動作しません。

ドキュメント間で検索オプションを有効にするために抽出されたtxtコンテンツが必要です。そのため、画像をスキップしてdocxのテキストコンテンツをtxtに変換するコマンド/スクリプトも役立ちます！

Answer 1

あなたのコードが（How to extract just plain text from .doc & .docx files? (unix)）から得られたSO質問には、他のオプションがあります。

libreoffice --convert-to txt text some.docx 

または

libreoffice --headless --convert-to txt text some.docx 

がすでに開い libreofficeを持っていないことを確認してください：
libreoffice答えはほとんどの作品は、おそらくしようと今2012年
（LibreOfficeの5.1）で行いました。