這篇文章主要為大家介紹了Linux系統中利用node.js提取Word(doc/docx)及PDF文本的內容，文中給出了詳細的範例程式碼供大家參考學習，需要的朋友們下面跟著小編來一起看看吧。
前言
想要做全文搜尋引擎，則需要將word/pdf等文件內容擷取出來。對於pdf有xpdf等一些開源方案。
但Word文件的情況則會複雜一些。
提取PDF文字內容
#XPDF是一個免費開源的軟體，用於顯示PDF文件，並可將pdf轉換成文字圖片等，同樣支援Windows版。在Debian Linux上安裝非常簡單:
apt-get install xpdf
我們這裡只使用pdftotext這個功能，直接輸入可查看幫助：
root@raspberrypi:/var/www# pdftotext pdftotext version 0.26.5 Copyright 2005-2014 The Poppler Developers - http://poppler.freedesktop.org Copyright 1996-2011 Glyph & Cog, LLC Usage: pdftotext [options] <PDF-file> [<text-file>] -f <int> : first page to convert -l <int> : last page to convert -r <fp> : resolution, in DPI (default is 72) -x <int> : x-coordinate of the crop area top left corner -y <int> : y-coordinate of the crop area top left corner -W <int> : width of crop area in pixels (default is 0) -H <int> : height of crop area in pixels (default is 0) -layout : maintain original physical layout -fixed <fp> : assume fixed-pitch (or tabular) text -raw : keep strings in content stream order -htmlmeta : generate a simple HTML file, including the meta information -enc <string> : output text encoding name -listenc : list available encodings -eol <string> : output end-of-line convention (unix, dos, or mac) -nopgbrk : don't insert page breaks between pages -bbox : output bounding box for each word and page size to html. Sets -htmlmeta -opw <string> : owner password (for encrypted files) -upw <string> : user password (for encrypted files) -q : don't print any messages or errors -v : print copyright and version info -h : print usage information -help : print usage information --help : print usage information -? : print usage information
測試一下：
root@raspberrypi:/var/www# pdftotext onceai.pdf onceai.txt root@raspberrypi:/var/www# cat onceai.txt 产品介绍 顽石智能科技（上海）有限公司 ....
然後在node.js中使用child_process直接呼叫此命令即可，pdftotext會將內容輸出以文字檔案中，可能需要多一些操作。具體代碼略。
用antiword提取.doc 的內容
#我們這裡使用了antiword 開源軟體，來提取word2003以前版本的內容，安裝同樣非常簡單：
apt-get install antiword
查看幫助：
root@raspberrypi:/var/www# antiword Name: antiword Purpose: Display MS-Word files Author: (C) 1998-2005 Adri van Os Version: 0.37 (21 Oct 2005) Status: GNU General Public License Usage: antiword [switches] wordfile1 [wordfile2 ...] Switches: [-f|-t|-a papersize|-p papersize|-x dtd][-m mapping][-w #][-i #][-Ls] -f formatted text output -t text output (default) -a <paper size name> Adobe PDF output -p <paper size name> PostScript output paper size like: a4, letter or legal -x <dtd> XML output like: db (DocBook) -m <mapping> character mapping file -w <width> in characters of text output -i <level> image level (PostScript only) -L use landscape mode (PostScript only) -r Show removed text -s Show hidden (by Word) text
antiword直接將word內容輸出到了console中：
root@raspberrypi:/var/www# antiword spec.doc SYNC Mobile – Ford APA Project Number: DFYST Requirements Specification
同樣在node.js用child_process呼叫此指令即可。
解析提取.docx 的內容
#對於docx 文件來說，因基本身就是一個zip文件，只需要在node.js先將其解壓縮，再解析text.docx\word\document.xml 檔案即可。
Github上也有些將docx解析成html的函式庫，
如：
github.com/mwilliamson/mammoth.js
#github.com /lalalic/docx2html
等。
以上是詳解Linux系統中以node.js擷取Word內容的實例的詳細內容。更多資訊請關注PHP中文網其他相關文章！
