识别包含图像的 .doc/.docx 文件

Question

我正在将我的笔​​记移至 Evernote。为此，我需要将 .doc/.docx 文件转换为 rtf。这样做的原因是我有一个脚本可以将 rtf 导入到印象笔记中。但是，我的一些 .doc/.docx 文件包含图像。

有没有办法识别哪些 .doc/.docx 文件包含图像而不查看它们？我有几千。通过这种方式，我可以简单地打开少数有图像的内容，然后将整个内容直接复制/粘贴到 Evernote 中。

应该说我使用的是 OS X 10.6.8。

Answer 1

.doc 文件在哪里存储图像？

Worddoc文件实际上被压缩，然后放入容器格式。它们以这种编译后的文件格式将媒体存储在某处，可能就在doc格式的标题之后。在图像数据之后，您的真实文档是一个 zip 兼容文件夹。

因此，当您尝试解压缩doc文件时，会在开头获得过多的字节数。这些是您的图像（加上格式标题）。您现在可以尝试访问unzip该文件并检查多余的字节数。

charon:test werner$ unzip -c images.doc > /dev/null
warning [images.doc]:  47166 extra bytes at beginning or within zipfile

charon:test werner$ unzip -c noimages.doc > /dev/null
warning [noimages2.doc]:  6060 extra bytes at beginning or within zipfile

通过测试，我发现“纯文本”Word 文档的标题有 6060 字节大（虽然有些大一点）。我们可以尝试利用它来确定文档中是否有图像。我们只说 8000 字节——因为真实图像肯定会超过几 KB。

.docx 文件呢？

使用 Office 2007 格式 ( docx)，这要容易得多。这些是实际的压缩文件，任何包含任何类型（图像、视频）嵌入媒体的 Word 文件都将包含该file.docx/word/media目录。因此，我们只需要解压缩docx文件并检查该目录是否存在。

检查图像的脚本

• 创建一个新的空文件，命名为docx-images.rb，然后粘贴以下内容：

  #!/usr/bin/env ruby
  require 'open3'
  TEMPDIR = "/tmp/word/"
  
  # check for docx files
  Dir.glob("**/*.docx").each do |file|
    system("rm -rf '#{TEMPDIR}'")
    system("unzip '#{file}' -d #{TEMPDIR} > /dev/null")
    if File.directory?("#{TEMPDIR}/word/media/")
      puts file
    end
  end
  
  # check for doc files
  Dir.glob("**/*.doc").each do |file|
    stdin, stdout, stderr = Open3.popen3("unzip -c '#{file}' > /dev/null")
    info = stderr.readlines[0]
    info = info.gsub(" extra bytes at beginning or within zipfile", "").gsub(/warning\s\[.*\]:\s+/, "")
    if info.to_i > 8000 # assume a little more than usual header size
      puts file
    end
  end
  

• 将它保存在某个地方，最好是在您要从中开始搜索docx文件的Documents文件夹中，可能是您的文件夹。

• 现在，打开Terminal.app，然后使用cd ~/Documents它去那里。

• 类型ruby docx-images.rb，并且它会递归扫描您的Documents文件夹docx和doc文件。它会将前者解压缩到/tmp/word，并检查它们是否包含嵌入式媒体。后者只是解压到/dev/null，因此不会留下任何痕迹。

• 您最终会得到一个包含嵌入式媒体的列表。

证明

为了证明这是有效的，我创建了四个文件。一张有图片，一张没有图片——既是作为doc和docx：

然后，运行脚本：

charon:test werner$ ruby docx-images.rb 
images.docx
images.doc

显然，可以改进脚本以检查该media文件夹中的实际图像，但除非文件确实包含任何媒体，否则它不太可能存在。“6060”字节检查也是如此。这是一个黑客，但它对我有用。

当然，脚本取决于unzip各自系统上的实现，但它适用于 OS X 版本。