将目录（和子目录）中的所有 .docx 转换为文本文件并写入新文件的命令行

Question

我想将目录（和子目录）中的所有 .docx 文件从命令行转换为文本文件（这样我就可以在这些文件上使用 grep after）。我找到了这个

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

here 效果很好，但它会在终端中发送文件。我想在与 .docx 文件相同的目录中写入新的文本文件（例如 .txt）。我想要一个脚本来递归地执行此操作。

我有这个，使用 antiword，它可以为 .doc 文件做我想要的，但它对 .docx 文件不起作用。

find . -name '*.doc' | while read i; do antiword -i 1 "${i}" >"${i/doc/txt}"; done

我尝试将两者混合使用但没有成功...将不胜感激能够同时执行这两项操作的命令行！

谢谢

Answer 1

以下脚本..

递归地转换运行所在目录中的所有 docx 文件（将 find . 中的 . 调整为您希望的起点）
将 txt 文件写入找到 docx 文件的位置

Bash 脚本：

find . -name "*.docx" | while read file; do
    unzip -p $file word/document.xml |
        sed -e 's/<[^>]\{1,\}>//g; s/[^[:print:]]\{1,\}//g' > "${file/docx/txt}"
done

之后你可以运行像这样的 grep:

grep -r "some text" --include "*.txt" .

Answer 2

您可以使用pandoc转换docx文件。它不支持 .doc 文件，所以你需要 pandoc 和 antiword。

重用您的 while 循环：

find . -name '*.docx' | while read i; do pandoc --from docx --to plain "${i}" >"${i/docx/txt}"; done

将目录（和子目录）中的所有 .docx 转换为文本文件并写入新文件的命令行

command line to convert all .docx in a directory (and subdirectories) to text file and write new files

grep

unzip

doc