Пакетное преобразование файлов .doc в .txt (простой текст ascii) и / или .html рекурсивно в папки и подпапки, Windows и Mac?

Question

Есть ли инструмент для этого. Я видел некоторые инструменты Python/Java для автоматизации OpenOffice, но кто-нибудь надежно написал этот сценарий, чтобы сделать более одного файла, и пройти через дерево папок / каталогов с файлами .doc в нем, поместив преобразованные файлы .txt и .html следующим к исходному файлу в его местоположении.

Answer 1

Linux/Unix

Мне известны два инструмента Unix:

• catdoc
• antiword

Вы можете просто использовать find для рекурсивного просмотра папки

find . -name "*.doc" -exec <command> {} \;

Где <command> - это соответствующее действие для преобразования файла .doc в файл .txt с использованием catdoc или antiword .

Mac OS X

Вы можете использовать те же инструменты, но вам придется установить их, например, с помощью Homebrew. Для этого введите в Терминале:

ruby -e "$(curl -fsSL https://gist.github.com/raw/323731/install_homebrew.rb)"

А потом:

brew install catdoc
brew install antiword

Answer 2

@slhck ваше решение почти работает, но вывод выводится на дисплей / STDOUT со всеми объединенными файлами. Мне нужны отдельные файлы .txt в качестве вывода. Причина в том, что мы не учитываем имя файла в выводе.

Чтобы обойти необходимость обхода иерархии папок Если я использую Windows для поиска * .doc, а затем копирую результаты в папку, чтобы поместить их все в одну папку, я могу загрузить Ubuntu и запустить следующее.

(У меня где-то есть фрагмент кода файла / папки, который я выкопаю и добавлю позже, если будет время.) Но пока достаточно просто сгладить иерархию файлов, как указано выше.

Между прочим, catdoc работает лучше, чем antiword, потому что antiword жалуется, что некоторые файлы не являются документами word, это, как правило, файлы .doc с форматированием и блоки текста, организованные в виде фреймов внутри документа. Кажется, catdoc конвертирует все мои документы.

#!/usr/bin/perl -w

 use File::Basename;

 my $okFiles = "";
 my $couldntGet = "";

 @files = <*>;
 foreach $file (@files) 
 {
   if ( $file =~ m/\.doc/ )
   { 
     my ( $filenameOnly, $dir, $ext ) = fileparse($file, qr/\.[^.]*/);
     if ( ( defined $filenameOnly ) && ( defined $ext ) )
     {
       $okFiles .= "file: ".$file." filename only:".$filenameOnly." extension:".$ext."\n";

       system( "catdoc \"".$file."\" > \"".$filenameOnly.".txt\"" );
     }
     else
     {
       $couldntGet .= "*file: ".$file." - couldn't get filename only and extension\n";
     }
   }

   print $okFiles;

   print $couldntGet;
 } 

Answer 3

catdoc и antiword имеют очень ограниченную поддержку форматов файлов, последняя версия, которую они понимают, это Word 2000.

Я знаю, что вы можете написать скрипт LibreOffice, чтобы конвертировать любые файлы, которые он понимает, в текст или PDF (это то, что делает MediaGoblin), но я не знаю, как именно это сделать.