Identyfikowanie plików .doc / .docx zawierających obrazy

Przenoszę moje notatki do notatek. W tym celu muszę przekonwertować pliki .doc / .docx na rtf. Powodem tego jest to, że mam skrypt do importowania RTF do Evernote. Jednak niektóre z moich plików .doc / .docx zawierają obrazy.

Czy jest jakiś sposób na określenie, które pliki .doc / .docx zawierają obrazy bez wyświetlania ich wszystkich? Mam tysiące. W ten sposób mogę po prostu otworzyć kilka, które mają obrazy i skopiować / wkleić całą zawartość bezpośrednio do evernote.

Powinien powiedzieć, że używam OS X 10.6.8.

Gdzie przechowywane są pliki .doc?

Słowo doc pliki są faktycznie spakowane, a następnie umieszczane w formacie kontenera. Przechowują media gdzieś w tym skompilowanym formacie pliku, prawdopodobnie zaraz po doc nagłówek formatu. Po danych obrazu jest twój prawdziwy dokument jako folder zgodny z zip.

Więc kiedy próbujesz rozpakować a doc plik, otrzymasz nadmiarową liczbę bajtów na początku. To są twoje zdjęcia (plus nagłówek formatu). Teraz możesz spróbować unzip plik i sprawdź nadmiarową ilość bajtów.

charon:test werner$ unzip -c images.doc > /dev/null
warning [images.doc]:  47166 extra bytes at beginning or within zipfile

charon:test werner$ unzip -c noimages.doc > /dev/null
warning [noimages2.doc]:  6060 extra bytes at beginning or within zipfile

Dzięki testom znalazłem nagłówek „tekstowych” dokumentów Worda o rozmiarze 6060 bajtów dużych (niektóre są jednak nieco większe). Możemy spróbować go wykorzystać do określenia, czy w dokumencie znajduje się obraz. Powiedzmy po prostu 8000 bajtów - ponieważ prawdziwe obrazy z pewnością będą miały więcej niż kilka KB.

Co z plikami .docx?

Z formatem Office 2007 ( docx ), to jest dużo łatwiejsze. Są to rzeczywiste pliki spakowane, a każdy plik programu Word, który zawiera wszelkiego rodzaju osadzone multimedia (obrazy, wideo), będzie zawierał file.docx/word/media informator. Więc musimy tylko rozpakować docx pliki i sprawdź, czy ten katalog istnieje.

Skrypt do sprawdzania obrazów

• Utwórz nowy pusty plik, nazwij go docx-images.rbi wklej następującą treść:

  #!/usr/bin/env ruby
  require 'open3'
  TEMPDIR = "/tmp/word/"
  
  # check for docx files
  Dir.glob("**/*.docx").each do |file|
    system("rm -rf '#{TEMPDIR}'")
    system("unzip '#{file}' -d #{TEMPDIR} > /dev/null")
    if File.directory?("#{TEMPDIR}/word/media/")
      puts file
    end
  end
  
  # check for doc files
  Dir.glob("**/*.doc").each do |file|
    stdin, stdout, stderr = Open3.popen3("unzip -c '#{file}' > /dev/null")
    info = stderr.readlines[0]
    info = info.gsub(" extra bytes at beginning or within zipfile", "").gsub(/warning\s\[.*\]:\s+/, "")
    if info.to_i > 8000 # assume a little more than usual header size
      puts file
    end
  end
  

• Zapisz go gdzieś, najlepiej w folderze, w którym chcesz rozpocząć wyszukiwanie docx pliki z, może twoje Documents teczka.

• Teraz otwórz się Terminal.app , I użyć cd ~/Documents iść tam.

• Rodzaj ruby docx-images.rbi będzie rekurencyjnie skanować twoje Documents folder dla docx i doc pliki. Rozpakuje to pierwsze do /tmp/wordi sprawdź, czy zawierają osadzone media. Te ostatnie są po prostu rozpakowane do /dev/null, nie pozostawiając żadnych śladów.

• Skończysz z listą tych z osadzonymi mediami.

Dowód

Aby udowodnić, że to działa, stworzyłem cztery pliki. Jeden z obrazami, jeden bez obrazów - oba jako doc i docx:

Następnie uruchom skrypt:

charon:test werner$ ruby docx-images.rb 
images.docx
images.doc

Oczywiście skrypt może zostać ulepszony, aby sprawdzić w nim rzeczywiste obrazy media folder, ale jest mało prawdopodobne, że plik nie zawiera żadnych mediów To samo dotyczy sprawdzania bajtów „6060”. To hack, ale działa na mnie.

Oczywiście skrypt zależy od implementacji unzip w odpowiednim systemie, ale działa dla wersji OS X.

Dla Windows :

• Zmiana nazwy .docx na .zip, otwarcie pliku zip i wyodrębnienie obrazów (Najlepszy sposób!).
• Następnie poszukaj obrazu pod \zipfile\word\media dla obrazu.

Odniesienie