「AIGC算法」将word文档转换为纯文本

本文主要介绍将word文档转换为纯文本，适用于AIGC文本识别功能的整合。

一、设计思路

• 使用mammoth 实现Word文档转HTML内容
• 使用html-to-text 实现HTML内容转换为纯文本
• 文本按需格式化处理，文本输出

二、核心代码

const mammoth = require("mammoth");
const fs = require("fs");
const path = require("path");
const { convert } = require("html-to-text");
// 替换为你的Word文档的路径
const docxPath = path.join(__dirname, "example.docx");

mammoth
  .convertToHtml({
    path: docxPath,
  })
  .then(function (result) {
    // result.value 是转换后的HTML内容
    // result.messages 是转换过程中的警告和错误信息

    // 使用html-to-text将HTML内容转换为纯文本
    const options = {
      wordwrap: 130,
      hideLinkHrefIfSameAsText: true,
      // ...
    };
    const html = result.value;
    let plaintext = convert(html, options);
    plaintext = plaintext.replace(/\n\n/g,'\n'); // 省流
    // 输出纯文本内容
    console.log(JSON.stringify(plaintext));
    console.log('---------------------'+plaintext.length+'------------------------')

  })
  .catch(function (error) {
    // 处理可能发生的错误
    console.error("转换过程中发生错误:", error);
  });

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34