时间:2021-07-01 10:21:17 帮助过:21人阅读
前言
想要做全文搜索引擎,则需要将word/pdf等文档内容提取出来。对于pdf有xpdf等一些开源方案。
但Word文档的情况则会复杂一些。
提取PDF文本内容
XPDF是一个免费开源的软件,用于显示PDF文件,并可将pdf转换成文字图片等,同样支持Windows版。在Debian Linux上安装非常简单:
我们这里只使用pdftotext这个功能,直接输入可查看帮助:
测试一下:
然后在node.js中使用 child_process直接调用此命令即可,pdftotext会将内容输出以文本文件中,可能需要多一些操作。具体代码略。
用antiword提取 .doc 的内容
我们这里使用了 antiword 开源软件,来提取word2003以前版本的内容,安装同样非常简单:
查看帮助:
antiword直接将word内容输出到了console中:
root@raspberrypi:/var/www# antiword spec.doc SYNC Mobile – Ford APA Project Number: DFYST Requirements Specification
同样在node.js用child_process调用此命令即可。
解析提取.docx 的内容
对于 docx 文档来说,因基本身就是一个zip文件,只需要在node.js先将其解压,再解析 text.docx\word\document.xml 文件即可。
Github上也有些将docx解析成html的库,
如:
github.com/mwilliamson/mammoth.js
github.com/lalalic/docx2html
等。
以上就是详解Linux系统中用node.js提取Word内容的实例的详细内容,更多请关注Gxl网其它相关文章!