Konverze z Openoffice do ASCII (ISO Latin 2)

7.2.2005 23:23 | Přečteno: 2165× | poslední úprava: 1.3.2005 14:55

Hodi se hlavne do Midnighta, kde staci nasledujici skriptik asociovat s priponou sxw (jako root: F9, Command, Edit extension file, System Wide). Akorat je potreba mit v terminalu spravne nastaveny font pro Latin 2.

Updated:

#!/bin/bash

SCRIPT='
{
        if( !( /<text:p/ ) )
                next
        $0 = gensub( /<([^>]+)>/, "", "g" )
        print
}'

unzip -p "$1" content.xml | cstocs utf8 il2 - | awk "$SCRIPT" | grep -v ^$

       

Komentáře

[phax7]

Zdravím,

moc se mi líbí nápad prohlížet text z OO.org bez jeho spuštění takto pohodlně. Ale skriptík mi vyhazuje následující chybu:

$ sxw2txt anketa.sxw 
awk: cmd. line:3:         if( !( /<([^>]+)>/, "", "g" )
awk: cmd. line:3:                           ^ syntax error

Nevíte co s tím? Mám Slackware 9.1 a doinstaloval jsem pouze Cstocs (http://ftp.ccc.uba.ar/download/pub/linux/debian/pool/main/c/cstocs/), jinak vše distribuční.

cat ~/bin/sxw2txt 
#!/bin/bash

SCRIPT='
{
        if( !( /<([^>]+)>/, "", "g" )
        print
}'

unzip -p "$1" content.xml | cstocs utf8 il2 - | awk "$SCRIPT"

[Jiri Bajer]

Moc se omlouvam, vloudila se mi sem nejaka pracovni verze skriptu. Aktualni funkcni verze vznikne tak, ze se do nasledujiciho kusu kodu prida znak < tesne pred retezec text v radku s if. Proc to pisu tak slozite? Protoze me redakcni system tvrdi, ze jde o nepovolenou znacku a nechce se mi cekat s odpovedi, nez to Leos fixne.

#!/bin/bash

SCRIPT='
{
        if( !( /text:p/ ) )
                next
        $0 = gensub( /<([^>]+)>/, "", "g" )
        print
}'

unzip -p "$1" content.xml | cstocs utf8 il2 - | awk "$SCRIPT"

[Leoš Literák]

To neni chyba, ale vlastnost. Proste vkladas HTML kod, takze je treba jej vkladat validne. Znacka PRE je jen HTML znacka, jedine jeji specialni chovani je jiny zpusob zobrazovani radkovani a bilych znaku. Pokud jde o < a podobne znaky, na ne nema zadny zvlastni vliv. Ty stale musite zadavat jako &lt;.

I kdyz je mozne, ze tu kontrolu udelam vice user friendly a nepovolenym znackam zmenim mensitka a vetsitka na entity, takze se zobrazi jako <script>. Spousta lidi HTML nezna a nechape tento pozadavek.

PS. kdyz mas chyby ve svem zapisu, tak je IMHO lepsi opravit chybu primo v zapisu. Zapisy jejich autor muze editovat.

[Jiri Bajer]

Aha, me tam chybel ten strednik - ten zbytek me napadl a bez stredniku se mi to nikdy neprelozilo na 1 znak... HTML teoreticky znam, ale prakticky nepouzivam.

[phax7]

Už to funguje díky moc... i když mám 1,5Ghz CPU tak pouštět OO.org je někdy běs:( snad bude v. 2 lepší.

A ještě tak kdyby skriptík vynechával prázdné řádky bylo by to best;)

[Jiri Bajer]

Napovim oklikou: Pro odstranovani komentaru z konfiguraku pouzivam tohle:

cat FILE | grep -v \# | grep -v ^$

[phax7]

To je na mě asi moc oklikou:)

Vím že sxw soubor je normální zipko a tam jsou xml - ale jak zařídit když mám prázdný řádek v OO.org aby byl i v text. výstupu... netuším, ještě nápovědu prosím:)

[Jiri Bajer]

Updatnul jsem skript v hlavicce blogu (posledni grep) tak, aby se prazdne radky komplet vynechavaly. Mozna lepsi reseni je misto toho grepu tam dat cat -s, ktery redukuje pocet prazdnych radek za sebou na jednu (puvodni grep likvidoval vsechny prazdne radky). Snad to takhle bude stacit...

[Jiri Bajer]

Mozna by ale taky jeste slo pridat pred print dalsi podminku, ktera bude testovat neprazdnost retezce. Zkus a dej vedet, co vypada nejlip.

[jose17]

neda mi to, aby som neprispel aj svojim riesenim, ktore pre ~/.mc/bindings znie:

View=%view unzip -p %f content.xml | o3totxt | cstocs utf8 il2 -

[Jiri Bajer]

Super, dik za odkaz!