我正在制作一个文本搜索引擎。我需要先将二进制文档转换为文本。我想使用跨平台（我们在 Windows 和 Linux 上进行开发）命令行（以便我可以通过 python 子进程获取输出）。这有哪些选择？
答案1
有pdf转文本对于 PDF 和反词适用于 DOC（不确定是否适用于 DOCX）。 这两个软件都是命令行的免费软件。 之前在 Linux 上都用过，效果还不错。
Sphider 是一款免费搜索引擎，它使用pdf转文本和卡特多克。卡特多克我也用过，效果也很好。
对于 DOC 文件，还有西弗吉尼亚州和单词（单词是一个 GUI，但也有命令行界面）。不过，我还没有能够测试这些。
关于 DOCX 的一个提示：
我以前用过这个将 DOC 转换为 PDF，效果很好。也许它也支持 TXT，或者你可以使用pdf转文本. LiveDocX 还可以通过 SOAP 网络服务访问
pdftohtml附言：还有pdftk命令行工具和套件LibreOffice，OpenOffice它们可以使用 DOCX 并将所有内容本地转换/保存为文本。不过，我没有从命令行尝试 LibreOffice 和 OpenOffice...