我正在用Qt / C ++编写一些程序，我需要从Microsoft Word / RTF / docx文件中读取文本。
我正在寻找一些可以提取的命令行程序。 这可能是几个程序。
我发现的最接近的是DocToText ，但它有一些错误，所以我不能使用它。 我还在PC上安装了Microsoft Word。 也许有一些方法来阅读使用它的文本（不知道如何使用COM ）？
现在，这是相当丑陋和漂亮hacky，但它似乎为我的基本文本提取工作。 很显然，要在Qt程序中使用它，你必须为它创建一个进程，但是我一起入侵的命令行是：
unzip -p file.docx | grep '<w:t' | sed 's/<[^<]*>//g' | grep -v '^[[:space:]]*$' 所以那是：
unzip -p file.docx：-p ==“解压缩到标准输出”
grep'<w：t' ：只抓取包含'<w：t'（<w：t>是Word 2007的XML文档元素，据我所知）
sed's / <[^ <] > // g'*：删除标签内的所有内容
grep -v'^ [[：space：]] $'*：删除空行
有可能是一个更有效的方法来做到这一点，但似乎对我已经测试了几个文档的工作。
据我所知，unzip，grep和sed都有Windows和任何Unix的端口，所以它应该是合理的跨平台的。 祝你有一个丑陋的黑客;）
试试Apache Tika
我建议不要使用COM，因为这首先会破坏像Qt这样的便携式库的使用。
您可能想要使用经典的catdoc或类似的工具，如wvWare 。
请注意，尽管catdoc作者声称catdoc在Windows下不起作用，但是在2001年发布了一个相反的说法。
要读取.doc文件，您可以使用结构化存储API 。 .doc基本上是一个结构化的存储库，其中各种流对应于文档的各个部分。
被警告说，这是一个相当多的API，即使使用这个API，一个.doc文件可能是相当凌乱的看看。
Ofcouse这仍然是Windows，但至少它不是COM。 只是一个普通的旧C API。
这可能有帮助。 它是跨平台的，有一个API http://www.winfield.demon.nl/
否则，如果这只是Windows，iFilter方法就是要走的路。 它可以让你解析任何有你的系统上的iFilter。 这是http://the-lazy-programmer.com/blog/?p=8的例子。 我已经使用了C＃结尾的iFilter。