如何使用'catdoc'显示以UTF-8编码的Dock文件

Question

我有很多docx文件，我想在终端上阅读它们。 我发现catdoc http://www.wagner.pp.ru/~vitus/software/catdoc/

当我使用它时，输出只是不可读的字符。 我的docx文件以utf-8编码。 我尝试了“ catdoc -u my_file.docx”，但没有用。

请帮忙。 非常感谢你。

Answer 1

docx是压缩的XML文件。

要提取和剥离XML，请尝试基于

unzip -p "*.docx" word/document.xml | sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g'

从命令行fu

Answer 2

我天真的理解， catdoc通常只能在DOC文件上使用。 DOCX文件就像是一个压缩的容器，其中包含大量信息。 您可以在其中找到某种XML格式的原始文档。

话虽如此，使用doc2txt工具或unoconv工具提取DOCX文件甚至DOTX文件的内容，我都取得了令人愉快的成功，后者需要安装OpenOffice或LibreOffice套件。

以下是一些我过去成功使用过的工作流程示例：

# This one, contrary to the unoconv case, does not fire up an instance
# of either LibreOffice or OpenOffice.
docx2txt.pl < ./pesky-word-doc.docx > ./pesky-word-doc.txt

# This one, however, does fire up a rather heavy 'headless' OpenOffice
# or LibreOffice instance process per conversion. You can get around this
# using the next approach below.
unoconv -f txt -o ./pesky-word-doc.txt ./pesky-word-doc.docx

# If you need to convert a couple of dozens such documents, you might want
# to run it via a service port (you get the idea):
unoconv --listener --port=2002 &
unoconv -f txt -o outdir *.docx
unoconv -f pdf -o outdir *.docx && open ./outdir/*.pdf # Convenient, if you run MacOSX
kill -15 %-

# Kind of introducing catdoc: The sed was needed for German documents where
# somehow I couldn't find the proper encoding settings.
unoconv -f doc -o ./pesky-word-doc.doc ./pesky-word-doc.docx && \
          catdoc -u ./pesky-word-doc.doc | sed 's/ь/ü/g;s/д/ä/g;s/ц/ö/g'

还有其他选项，例如使用一些可用的Java解析器，可在此处和此处找到。 输出质量会有所不同，根据您的预期用途，您需要采用其中一种方法。