PDF, PPT, DOC, и т.д., чтобы TEXT

Question

Может они должны быть отдельные вопросы, по одному для каждого формата, но ...

Каковы наиболее НАДЕЖНЫЕ библиотеки (на любом языке), двоичные файлы (для любой платформы) или webservices (бесплатно или бесплатно) для конвертирования разнообразных «текстовых» форматов в простой текст?

Надежный, я имею в виду около 100% -ную возможность извлекать ВСЕГО текст, читаемый человеком,, а НЕ ВЫЗЫВАЕТ «код» или «разметку».

По текст, содержащий форматы, я имею в виду: все самые распространенные вещи, как PDF, PPT, DOC, DOCX, RTF, HTML, ".стр", ".KEYNOTE", ODT, и т.д. и т.п.

Пожалуйста, предложите обе эти пакеты/услуги, которые поддерживают многие этих форматов, а также те, которые только поддерживают один. Кроме того, есть ли программное обеспечение «стеки», которые «связывают вместе» множество пакетов/услуг с целью преобразования в текст?

Answer 1

http://www.filebuzz.com/files/Ascii_Convert/1.html < --Эта ссылка приведет вас к списку конвертеров, которые могут конвертировать PDF-файлы и другие типы файлов в формат ASCII (обычный текст). Для документов Word вы можете сделать это без программного обеспечения. Например, для документов Word, когда вы нажимаете «Сохранить как», он откроет диалоговое окно с раскрывающимся списком «Сохранить как тип». Выберите «Обычный текст * .txt», и он сохранит ваш файл в виде обычного текста. Удачи!

Answer 2

В Java Apache Tika toolkit обнаруживает и извлекает метаданные и структурированное текстовое содержимое из различных документов, используя существующие библиотеки парсеров.

Answer 3

Если вы используете Ruby, взгляните на Yomu. Это оболочка для Apache TIKA и поддерживает множество форматов документов, который включает в себя следующее:

• Microsoft Office Форматы OLE 2 и Office Open XML (.doc, .docx, .xls, .xlsx, .ppt, .pptx)
• OpenOffice.org OpenDocument форматов (ODT, ODS, .odp)
• компании Apple IWORKS Форматы
• Rich Text Format (.rtf)
• Portable Document Format (PDF)

Answer 4

Вы можете попробовать Extract Text.

Из описания: «Извлечь текст из таких документов, как файлы PDF и Microsoft Word, сохранить извлеченный текст в файле. Работает с .pdf, .doc, .docx, .xls, .xlsx, .ppt , и многое другое ». Требуется Microsoft.NET Framework 4.0.