Преобразование офисных файлов в текст

Документы Офиса 2007 и более поздних - это XML в зипе. Для них не надо специальных библиотек. Нужна только распаковка zip и парсинг XML. Дальше просто берем для корневого элемента innerText.

Вот так это выглядит на C#:

using System;
using System.IO;
using System.IO.Compression;
using System.Xml;

namespace DocxToText
{
    class Program
    {
        static void Main(string[] args)
        {
            string docxFilePath = args[0];
          
            XmlDocument doc = new XmlDocument();
          
            using (ZipArchive arch = ZipFile.OpenRead(docxFilePath))
            {
                ZipArchiveEntry ent = arch.GetEntry("word/document.xml");

                using (Stream readStream = ent.Open())
                {
                    doc.Load(readStream);
                }
            }
          
            string text = doc.DocumentElement.InnerText;
            Console.WriteLine(text);
        }
    }
}

Есть, конечно, у такого подхода недостатки: InnerText не содержит пробелов на месте границ тегов. Т.е. абзацы склеены не просто в одну строку, а еще и без пробела.

Кроме того, грузить весь документ в память абсолютно незачем.

Обе проблемы решаются SAX-парсером.

А как у вашего конвертера потребление памяти зависит от размера документа?