在Trakstar Hire平台上，用户常做的一件事就是查看候选人简历。我们提供简历快速预览功能，让用户无需逐个下载并打开文件。同时我们希望该功能运行快速高效（因为用户通常会一次性筛选大量简历）。事实证明，这确实是个棘手的问题。
Trakstar Hire 接受几乎所有格式的简历（doc、docx、pdf、rtf、odt 等）。 预览这些文件的一种方式是使用嵌入式文档查看器（如谷歌文档、Zoho、Scribd等）。这需要（a）实时转换（导致速度变慢），或（b）将文档存储在这些平台上（首次操作同样缓慢，成本增加，且需将客户数据托付给第三方服务）。这两种方案我们都不满意。
我们决定为用户提供简历文本预览功能。表面看来，这似乎相当简单。像Apache Tika这样的工具在这方面相当可靠且高效。然而，直接转换为纯文本的简历可读性很差——尤其当原始文件包含大量格式时。表格会变形，排版精美的简历往往显得杂乱无章。我们需要更优的解决方案。
我们最终选择的方法是先将所有文档转换为HTML格式，再将HTML转换为文本。HTML具备保留关键格式的能力，为文本转换提供了通用基础。早期寻找文档转HTML工具时，多数尝试都指向OpenOffice（以无头服务器模式运行）。 遗憾的是，OpenOffice存在诸多缺陷，在批量转换文档时频繁崩溃。它带来的失眠之夜，远超我应用程序其他代码的总和。最终我们发现了Abiword，其转换过程可靠得多。
我目前正在用超过10万份文档测试Abiword。到目前为止运行良好。在PDF转HTML过程中发现些许小问题，但尚可接受。今后处理PDF文档时我会改用pdf2html替代Abiword。
将HTML转换为（可读）文本是拼图的另一块。我们使用基于文本的网页浏览器w3m来解决这个问题。它能很好地将标记转换为可读文本（使用点、破折号等符号）。最终效果相当美观。
希望这对遇到类似问题的人有所帮助。
