Html 提供多种常见文档格式的纯文本访问/迭代的库？

我想找到一个用于NLP/文本处理的库，它提供了一个用于访问最常见文本格式文本的通用接口：

• Microsoft Word

  .doc

  和可能的

  .docx

• RTF
• HTML
• “纯文本”

我想要的是忽略文档中除文本以外的几乎所有信息的内容，但它应该统一以下功能：

• 内联与块格式（块类似于段落，但忽略内联样式更改）
• 所有字符编码、实体等，UTF都应该是相同的（可能是UTF-8或UTF-16）
• 可配置各种纯文本格式，例如用于换行的纯文本格式与具有硬编码换行符的纯文本格式
• 具有每次获取字符/单词/句子的方法，无论底层文档格式如何，都具有相同的语义
• 注意歧义，例如行尾的连字符、句点，这些句点可能是首字母缩略词的一部分，也可能是句子的结尾

我仍然很高兴，如果它只支持任何两种格式和我上面的一些功能

谷歌搜索并不成功，但如果不存在这样的东西，我会感到惊讶。NLP用户将使用什么来处理大量的真实文本？任何平台/编程语言都可以，因为这很难找到。开源让我可以贡献是最好的

---

---

（如果这被认为是离题且已结束，我至少希望您能推荐其他什么Stack Exchange站点或其他什么论坛来提出这样的问题。）

您可能需要两个步骤：从文件中取出内容，然后使用一些NLP工具包对其进行分析。第一步可以通过以下步骤完成。对于步骤2，最著名的备选方案可能是，和。请注意，可能存在一些重叠，例如UIMA可能已经有一个使用Tika的组件。

是的，我想我希望能够从现有NLP工具或我自己的工具访问原始数据。一直以来，多种文件格式和对纯文本的有损转换让我望而却步。正在查看这些链接。。。很惊讶我没有在搜索中找到Tika-可能是我想要的，谢谢！