Dotaz: RTF→TXT konvertor s podporou češtiny

[redinsect]

Potřeboval bych nějaký konzolový program pro Linux, který by uměl převést RTF soubor na prostý TXT soubor, přičemž musí umět zpracovat i české znaky. Narazil jsem na unrtf, ale některé české znaky během konverze vynechává, podobně další programy, které jsem zkoušel.

Máte prosím někdo tip na něco spolehlivého? Ta RTF, která budu zpracovávat, jsou z externích zdrojů a nemůžu je před samotným zpracováním nijak upravit.

Odpovědi

[Radovan Garabík]

catdoc -scp1250 subor.rtf

[Ondřej]

Díky, ale nedaří se mi to zprovoznit. Mám stejný problém, který je popsaný na této stránce: http://forums.knowledgetree.org/viewtopic.php?f=6&t=1014 Uspokojivé řešení tam není (root nemám). Háže mi to chybu „Cannot load charset cp1251 - file not found”, předpokládám, že to vůbec nezná cestu ke složce charsets, s jiným kódováním to vyhodí stejnou chybu, jen se změní dané kódování.

[Radovan Garabík]

Používam catdoc z distribúcie, tam sú také veci vyriešené...

[chrono]

S unrtf som zatiaľ problémy nemal, a bez problémov som ním teraz do čistého textu previedol niekoľko rtf dokumentov v slovenčine a češtine.

[Ondřej]

Příloha:

• rich.rtf (424 bytů)

A můžeš prosím zkusit převést tenhle RTF soubor? http://leteckaposta.cz/445808888 (mě by být i v příloze) Já z toho dostanu „Přliš žluťčý ků pě ďbelské ódy”

[Josef Kufner]

$ lowriter --nologo --convert-to html *.rtf 
convert .../rich.rtf -> .../rich.html using XHTML Writer File
$ lynx -dump *.html 
   Příliš žluťoučký kůň pěl ďábelské ódy
$

[Ondřej]

Díky, to jsem rád, že to aspoň někde funguje. Nicméně bych byl rád, pokud bych nemusel na server instalovat celý LibreOffice jen kvůli RTF konverzi. Ale asi to tak dopadne, jak to vidím…

[chrono]

Problém je, že unrtf vkladá znaky, ktoré sú v rtf súbore vložené ako unicode sekvencie (a teda \uxx), len do niektorých formátov (konkrétne len do html a rtf formátu). Netuším, prečo tam také obmedzenie je, pretože skonvertovať to do utf-8 nie je zložité a so znakmi vloženými pomocou sekvencie '\XX sa to tam tak robí.

Ak by tam nebol ďalší problém, tak by fungovalo vygenerovanie html súboru s následným dump-om cez lynx. Problém ale je, že to nie celkom funguje.

Zaujímavá časť kódu, pre tento problém je v súbore convert.c vo funkcii cmd_u. Tam je na konci poznámka, že ak vieme, ako interpretovať unicode znak, vo výstupnom formáte, preskočíme nasledujúce slovo. A presne to spôsobuje, že, minimálne pri tom priloženom rtf súbore, sa potom preskočia znaky, ktoré nasledujú za tými unicode znakmi (dokumentáciu k rtf formátu som nečítal, tekže netuším, či je problém unrtf, alebo program, ktorý ten rtf súbor vygeneroval).

[Ondřej]

Díky za objasnění . Já jsem to RTF vytvářel a ukládal na Macu, když jsem zkusil stáhnout nějaké RTF, které bylo nejspíš vytvořené na Windows, tak to fungovalo. Alespoň přes tu konverzi do HTML, když jsem tam rovnou dal —text, tak mi to zase místo některých znaků naházelo otazníky.

[ikarr]

asi v nich nebylo "ř"

možná by stačilo doplnit /usr/lib/unrtf/SYMBOL.charmap

[ikarr]

odpovím si sám, nestačilo.

[Josef Kufner]

Pokud nenajdeš nic lepšího, tak použij LibreOffice:

loffice --convert-to ...

Nezkoušel jsem to, ale pokud to bude produkovat divně formátovaný text, tak to vem ještě skrz html a lynx.

[poko]

tiez mozno tazkotonazne riesenie ale calibre:
http://manual.calibre-ebook.com/cli/ebook-convert-15.html#rtf-input-to-txt-output