Konvertieren von DOCX-Dateien in einfachen Text und Beibehalten von Zeilenumbrüchen, um Zeilennummernverweise auf das Quelldokument beizubehalten: Howto & Implikationen?

Ich exportiere MS Word- Inhalte in einfachen Text zur Verwendung mit Text- und Dateidienstprogrammen. Ich habe eine Einschränkung, bei der die Zeilennummerierungsfunktion in der MS-Software aktiviert wurde, und jeder Verweis auf Zeilennummern in der endgültigen Ausgabe muss mit dieser Nummerierung übereinstimmen. Geben Sie also "Nummerierungszeilen" ein:

( Poe, EA )

Offensichtlich unterbricht diese Art der Nummerierung bei Word keine Zeilen bei Zeilenumbrüchen , sondern "Zeilen" nach dem rechten Rand (oder so). Ein Skript wie docx2txt, berücksichtigt dies anscheinend nicht standardmäßig und bricht Zeilen bei Zeilenumbruch. Wenn ich also grep -nmit Nummerierung verwende, stimmen die Zeilen nicht mit der Funktion für Quellzeilennummern überein, wie oben dargestellt. Aus der Dokumentation geht nicht genau hervor, wie ich das Perl-Skript bearbeiten müsste, um die Dateien so zu konvertieren, wie ich es in diesem Fall benötige:

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

Ich habe versucht , ersetzt \nfür , \r\naber das scheint nicht für mich arbeiten. Daher habe ich die Dokumente mit den folgenden Einstellungen direkt aus Word exportiert (als Nur- Text speichern , v.2013,64pc):

• Unicode (UTF-8)
• Zeilenumbrüche + Endzeilen mit (CR / LF) einfügen
• Ersetzen von Zeichen zulassen

Und jetzt in der Tat , wenn ich verwende die .txtDateien gibt es eine perfekte Übereinstimmung zwischen Zeilennummern im Quell Nummerierung Features und der grep -nAusgang.

• Gibt es eine bestimmte Konfiguration / einen bestimmten Prozess, über den ich Bescheid wissen sollte, docx2txtoder ein ähnliches Befehlszeilenprogramm, mit dem ich meine DOCX- Dateien unter Beibehaltung von Zeilenumbrüchen in einfachen Text konvertieren konnte , ohne wie ich auf Word zurückgreifen zu müssen ?
• Welche bewährten Methoden werden gegebenenfalls zum Exportieren von MS Word- Dokumenten (die möglicherweise Zeichen mit Akzent enthalten) in Klartext zur Verwendung mit Datei- / Textdienstprogrammen in Bezug auf Zeilenumbrüche und Formatierungen verwendet? und gibt es irgendwelche negativen Auswirkungen auf die Einstellungen, die ich für den Export ausgewählt habe, dh das Einfügen von CR / LF?

Stichprobe

Wie vorgeschlagen stelle ich ein Beispiel zur Verfügung. In diesem seltenen Archiv habe ich eine DOCX- Datei mit einfachen Absätzen gebündelt und ihre TXT- Datei mit Word mit den oben genannten Optionen exportiert . Letzteres kann mit einem Standardlauf von docx2txtin der Quelldatei verglichen werden.

docx2txtarbeitet mit den Informationen in der docxDatei, bei der es sich um einen komprimierten Satz von XML-Dateien handelt.

In Bezug auf den Zeilenumbruch enthalten die .docxXML-Daten nur Informationen zu Absätzen und harten Unterbrechungen, nicht zu weichen Unterbrechungen. Soft-Breaks sind das Ergebnis des Renderns des Texts in einer bestimmten Schriftart, Schriftgröße und Seitenbreite. docx2txtNormalerweise wird nur versucht, Text in 80 Spalten einzupassen (80 Spalten sind konfigurierbar), ohne Rücksicht auf Schriftart und Schriftgröße. Wenn Ihre .docxSchriftart Informationen von einem Windows-System enthält, das unter Unix / Linux nicht verfügbar ist, führt der Export .txtüber Open / LibreOffice wahrscheinlich nicht zum gleichen Layout, obwohl versucht wird, gute Arbeit zu leisten¹.

Daher docx2txtkann nicht garantiert werden, dass ein anderes Befehlszeilenprogramm, einschließlich der befehlszeilengesteuerten Open / LibreOffice-Verarbeitung, den Text in dasselbe Layout konvertiert wie beim Exportieren aus Word².

Wenn Sie genau wie Word rendern möchten (oder aufgrund von Kundenanforderungen gezwungen sind), gibt es meiner Erfahrung nach nur einen Weg: Lassen Sie Word das Rendern durchführen. Bei einem ähnlichen Problem wie Ihrem³ und inkompatiblen Ergebnissen mit anderen Tools, einschließlich OpenOffice, habe ich wieder eine Windows-VM auf dem Linux-Hostserver installiert. Auf der Client-VM beobachtet ein Programm eingehende Dateien, die auf dem Host konvertiert werden sollen. Dadurch wird Word gestartet und veranlasst, die Konvertierung durchzuführen und dann das Ergebnis zurück zu kopieren.

Entscheidungen über die Verwendung von CR / LF oder nur LF oder UTF-8 oder einer anderen Codierung für das .txthängen weitgehend davon ab, wie die resultierenden Dateien verwendet werden. Wenn die resultierenden Dateien unter Windows verwendet werden, würde ich definitiv CR / LF, UTF-8 und eine UTF-8-Stückliste verwenden . Moderne Programme unter Linux können daraus schließen, dass es sich bei einer Datei um UTF-8 handelt, können jedoch die Stückliste nicht sperren und / oder diese Informationen verwenden. Sie sollten alle Ihre Zielanwendungen auf Kompatibilität testen, wenn diese im Voraus bekannt sind.

¹ _{Diese Art von Inkompatibilität ist der Hauptgrund, warum einige meiner Freunde von Windows nicht zu Linux wechseln können, obwohl sie dies möchten. Sie müssen von Zeit zu Zeit MicroSoft Word als Open / LibreOffice verwenden, um Texte zu entstellen, die sie mit Kunden austauschen.}
² _{Sie können alle in den Word-Dateien verwendeten Schriftarten installieren und haben manchmal Glück mit einigen Texten.}
³ _{Rendern von PDFs von.doc/.docx}
⁴ _{Das Programm verwendet die GUI-Automatisierung - als würde jemand auf seine Menüs klicken - und versucht nicht, Word über eine API zu steuern. Ich bin mir ziemlich sicher, dass Letzteres auch möglich ist und den Vorteil hätte, Dinge nicht zu beschädigen, wenn Word aktualisiert würde}