Преобразование файлов .docx в обычный текст и сохранение разрывов строк для сохранения ссылок на номера строк в исходном документе: как и какие последствия?

Я экспортирую содержимое MS Word в обычный текст для использования с текстовыми и файловыми утилитами. У меня есть ограничение, когда функция нумерации строк была включена в программном обеспечении MS, и любая ссылка на номера строк в конечном выводе должна соответствовать этой нумерации. Итак, введите «нумерация строк»:

( Poe, EA )

Очевидно, что для Word такая нумерация не разбивает строки на новой строке , она разбивает «строки» после правого поля (или чего-то еще). Похоже docx2txt, что сценарий не учитывает это по умолчанию и разрывает строки на новую строку. Поэтому, если я использую grep -nнумерацию, строки не будут соответствовать функции нумерации исходных строк, как показано выше. Из документации не совсем понятно, как мне нужно отредактировать скрипт Perl для преобразования файлов так, как мне нужно в этом случае:

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

Я попытался подставляя \nдля \r\nно это не похоже на работу для меня. Поэтому я прибег к экспорту документов напрямую из Word со следующими настройками (сохранить в виде обычного текста на v.2013,64pc):

• Unicode (UTF-8)
• Вставить разрывы строк + конец строк с помощью (CR / LF)
• Разрешить замену персонажа

И теперь действительно , когда я использовать те .txtфайлы , есть идеальное совпадение между номерами строк , в особенности нумерации источника и grep -nвыводе.

• Есть ли какая-то конкретная конфигурация / процесс, о котором я должен знать, docx2txtили подобная утилита командной строки, которая позволила бы мне конвертировать мои файлы .docx в обычный текст, сохраняя разрывы строк, не прибегая к Word, как я?
• Каковы наилучшие практики для экспорта документов MS Word (которые могут содержать символы с акцентом) в простой текст для использования с файловыми / текстовыми утилитами в отношении разрывов строк и форматирования; и есть ли какие-либо негативные последствия с настройками, которые я выбрал для экспорта, т.е. вставкой CR / LF?

Образец

Как предложено, я предоставлю образец. В этом архиве rar я упаковал файл .docx с простыми абзацами и его экспортированный файл .txt, используя Word с вышеупомянутыми параметрами. Последнее можно сравнить с запуском по умолчанию для docx2txtисходного файла.

docx2txtработает с информацией в docxфайле, который представляет собой сжатый набор файлов XML.

Что касается переноса строк, .docxданные XML включают в себя только информацию о параграфах и жестких переносах , а не о мягких переносах. Мягкие разрывы являются результатом рендеринга текста с использованием определенного шрифта, размера шрифта и ширины страницы. docx2txtобычно просто пытается разместить текст в 80 столбцах (можно настроить 80 столбцов), не обращая внимания на шрифт и размер шрифта. Если ваш файл .docxсодержит информацию о шрифтах из системы Windows, которая недоступна в Unix / Linux, то выполнение экспорта в .txtчерез Open / LibreOffice также вряд ли приведет к такой же компоновке, хотя она и пытается сделать хорошую работу¹.

Так docx2txtили любая другая утилита командной строки, включая управляемую командной строкой обработку Open / LibreOffice, не гарантированно преобразует текст в ту же компоновку, что и экспорт из Word².

Если вы хотите (или вынуждает требования клиента) выполнять рендеринг точно так, как это делает Word, то, по моему опыту, есть только один способ: пусть Word выполняет рендеринг. Столкнувшись с такой же проблемой, как у вас, и получив несовместимые результаты с использованием других инструментов, включая OpenOffice, я вернулся к установке виртуальной машины Windows на хост-сервере Linux. На клиентской виртуальной машине программа наблюдает за тем, чтобы входящие файлы были преобразованы на хосте, который запускается и запускает Word, чтобы выполнить преобразование, а затем копировать обратно результат⁴.

Решения об использовании только CR / LF или LF, или UTF-8, или какой-либо другой кодировки в .txtзначительной степени зависят от того, как используются полученные файлы. Если полученные файлы используются в Windows, я бы определенно выбрал CR / LF, UTF-8 и спецификацию UTF-8 . Современные программы в Linux могут сделать вывод, что файл имеет формат UTF-8, но не будут раздражать спецификацию и / или использовать эту информацию. Вы должны проверить все ваши целевые приложения на совместимость, если они известны заранее.

Sort _{Такая несовместимость является основной причиной, по которой некоторые из моих друзей не могут перейти на Linux с Windows, хотя им бы этого хотелось. Они должны использовать MicroSoft Word, так как Open / LibreOffice время от времени искажает тексты, которыми они обмениваются с клиентами.}
² _{Вы можете установить все шрифты, используемые в файлах Word, и иногда вам может повезти с некоторыми текстами.}
³ _{Рендеринг PDF-файлов из.doc/.docx}
⁴ _{Программа использует автоматизацию графического интерфейса - как будто кто-то щелкает по ее меню - и не пытается управлять Word через API. Я почти уверен, что последнее может быть выполнено и будет иметь преимущество в том, что не сломает вещи, если Word будет обновлен}