Konwertowanie plików .docx na zwykły tekst i zachowanie podziałów linii w celu zachowania odniesień numerów linii do dokumentu źródłowego: instrukcje i implikacje?

Eksportuję zawartość MS Word do zwykłego tekstu do użytku z narzędziami tekstowymi i do plików. Mam ograniczenie, w którym funkcja numeracji linii została włączona w oprogramowaniu MS, a wszelkie odniesienia do numerów linii na końcowym wyjściu muszą pasować do tej numeracji. Więc wpisz „linie numeracyjne”:

( Poe, EA )

Oczywiście w przypadku programu Word tego rodzaju numeracja nie przerywa linii na nowej linii , ale przerywa „linie” po odpowiednim marginesie (lub czymś innym). docx2txtWygląda na to, że skrypt domyślnie nie bierze tego pod uwagę i przerywa wiersze na nowej linii. Więc jeśli używam grep -nz numeracją, linie nie będą pasować do funkcji numerów linii źródłowych, jak pokazano powyżej. Z dokumentacji nie wynika jasno, jak musiałbym edytować skrypt Perla, aby przekonwertować pliki tak, jak muszę w tym przypadku:

our $config_newLine = "\n"; # Alternative is "\r\n".
our $config_lineWidth = 80; # Line width, used for short line justification.

Próbowałem zastępując \nna \r\nale to nie wydają się działać dla mnie. Dlatego postanowiłem wyeksportować dokumenty bezpośrednio z Worda z następującymi ustawieniami (zapisz jako zwykły tekst , w wersji 203,33pc):

• Unicode (UTF-8)
• Wstawianie podziałów linii + linii końcowych za pomocą (CR / LF)
• Zezwalaj na zastępowanie postaci

A teraz, kiedy rzeczywiście korzystać z .txtplików nie jest idealne dopasowanie pomiędzy numerami linii w funkcji numerowania źródło i grep -nwyjście.

• Czy jest jakaś konkretna konfiguracja / proces, o którym powinienem wiedzieć, docx2txtlub podobne narzędzie wiersza poleceń, które pozwoliłoby mi przekonwertować pliki .docx na zwykły tekst, zachowując podziały wierszy, bez uciekania się do programu Word tak jak ja?
• Jakie są najlepsze praktyki , jeśli takie istnieją, do eksportowania dokumentów MS Word (które mogą zawierać znaki akcentowane) do zwykłego tekstu do użytku z narzędziami do plików / tekstu, w odniesieniu do podziałów linii i formatowania; i czy są jakieś negatywne konsekwencje dla ustawień, które wybrałem do eksportu, tj. wstawienia CR / LF?

Próba

Zgodnie z sugestią podam próbkę. W tym rar archiwum , ja dołączone do .docx plik z prostych punktach, a jej eksportowane .txt plik za pomocą programu Word z wymienionych powyżej opcji. Ten ostatni można porównać z domyślnym uruchomieniem docx2txtpliku źródłowego.

docx2txtdziała na informacje w docxpliku, który jest skompresowanym zestawem plików XML.

Jeśli chodzi o zawijanie wierszy, .docxdane XML zawierają tylko informacje o akapitach i przerwach, a nie o przerwach. Łagodne przerwy są wynikiem renderowania tekstu w określonej czcionce, rozmiarze czcionki i szerokości strony. docx2txtzwykle próbuje dopasować tekst do 80 kolumn (80 kolumn można konfigurować), bez względu na czcionkę i rozmiar czcionki. Jeśli .docxzawierasz informacje o czcionce z systemu Windows, który nie jest dostępny w systemach Unix / Linux, wykonanie eksportu do .txtOpen / LibreOffice również nie zapewniłoby tego samego układu, chociaż próbuje zrobić dobrą robotę¹.

Tak więc docx2txtani żadne inne narzędzie wiersza poleceń, w tym oparte na wierszu poleceń przetwarzanie Open / LibreOffice, nie gwarantuje konwersji tekstu do tego samego układu, co eksportowanie z programu Word².

Jeśli chcesz (lub wymuszają to wymagania klienta), aby renderować dokładnie tak, jak robi to Word, z mojego doświadczenia wynika, że ​​jest tylko jeden sposób: pozwól Wordowi wykonać renderowanie. Kiedy napotkałem podobny problem jak twój3 i miałem niezgodne wyniki przy użyciu innych narzędzi, w tym OpenOffice, wróciłem do instalowania maszyny wirtualnej z systemem Windows na serwerze Linux-a. Na klienckiej maszynie wirtualnej program obserwuje przychodzące pliki do przekonwertowania na hoście, które uruchamiają program Word i wykonują konwersję, a następnie kopiują wynik back.

Decyzje dotyczące używania tylko CR / LF lub LF, UTF-8 lub innego kodowania w .txtdużej mierze zależą od sposobu wykorzystania plików wynikowych. Jeśli pliki wynikowe są używane w systemie Windows, zdecydowanie wybrałbym CR / LF, UTF-8 i BOM UTF-8 . Współczesne programy w systemie Linux są w stanie wywnioskować, że plik ma format UTF-8, ale nie blokują specyfikacji materiałowej i / lub wykorzystują te informacje. Powinieneś przetestować wszystkie aplikacje docelowe pod kątem zgodności, jeśli są one znane z góry.

¹ _{Ten rodzaj niezgodności jest głównym powodem, dla którego niektórzy moi znajomi nie mogą przejść na system Linux z systemu Windows, chociaż chcieliby. Muszą używać MicroSoft Word, ponieważ Open / LibreOffice co jakiś czas zmienia teksty wymieniane z klientami.}
² _{Możesz zainstalować wszystkie czcionki używane w plikach Word i czasami mieć szczęście do niektórych tekstów.}
³ _{Renderowanie plików PDF z.doc/.docx}
⁴ _{Program korzysta z automatyzacji GUI - tak jakby ktoś klikał jego menu - i nie próbuje prowadzić programu Word za pomocą interfejsu API. Jestem całkiem pewien, że to drugie da się zrobić i miałbym tę zaletę, że nie zepsuje rzeczy, jeśli Word zostanie zaktualizowany}