如何从.doc和.docx文件中只提取纯文本？ (unix)[closed]

任何人知道他们可以推荐什么，以便只提取来自.doc或.docx的纯文本？

我发现这个Best way to extract text from a Word doc without using COM/automation? – 想知道是否有任何其他建议吗？

速度并不重要，我们甚至可以使用一个网站，有一些API上传和解压缩文件，但我一直无法找到一个。

谢谢

如果你想纯纯文本(我的要求)，那么你需要的是

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

我在command line fu发现

它解压缩docx文件并获取实际文档，然后剥离所有xml标记。显然，所有格式化都丢失了。