使用 pandoc 将 .docx 转换为 .pdf

Question

我正在尝试使用 pandoc 将通过邮件收到的 .docx 转换为正确的 pdf（我使用的是 GNU/Linux）。

我有一个关于字符编码的错误：

$ pandoc file.docx -o file.pdf
pandoc: Cannot decode byte '\x87': Data.Text.Encoding.decodeUtf8: Invalid UTF-8 stream

我试图识别编码：

$ file -i file .docx 
file.docx: application/vnd.openxmlformats-officedocument.wordprocessingml.document; charset=binary

我有点惊讶charset=binary（我期待charset=iso8859-15）。但是，我无论如何都尝试将 .docx 转换为 utf8，但它不起作用：

 $ iconv -t utf-8 file.docx
P!      $iconv: séquence d'échappement non permise à la position 16

我对pandoc 文档中的命令行有同样的错误：

iconv -t utf-8 file.docx | pandoc | iconv -f utf-8

如何使用 pandoc 将此 .docx 转换为 pdf？

Answer 1

在此处的文档中，.docx未列为兼容输入：

Pandoc 是一个 Haskell 库，用于从一种标记格式转换为另一种标记格式，以及使用该库的命令行工具。它可以读取 Markdown 和 Textile、reStructuredText、HTML、LaTeX、MediaWiki 标记、Haddock 标记、OPML 和 DocBook（的子集）；它可以编写 纯文本、markdown、reStructuredText、XHTML、HTML 5、LaTeX（包括投影仪幻灯片）、ConTeXt、RTF、OPML、DocBook、OpenDocument、ODT、Word docx、GNU Texinfo、MediaWiki 标记、EPUB（v2 或 v3） )、FictionBook2、Textile、groff 手册页、Emacs Org-Mode、AsciiDoc 和 Slidy、Slideous、DZSlides、reveal.js 或 S5 HTML 幻灯片。它还可以在安装了 LaTeX 的系统上生成 PDF 输出。

尝试其他的东西，比如Libreoffice——它可以做 docx，只要你不介意一些格式错误。

编辑：

现在描述说 Pandoc 现在似乎支持从 Word DOCX（以及 DocBook 和一些其他格式）中读取：

Pandoc 是一个 Haskell 库，用于从一种标记格式转换为另一种标记格式，以及使用该库的命令行工具。它可以读取 Markdown 和（子集）Textile、reStructuredText、HTML、LaTeX、MediaWiki 标记、TWiki 标记、Haddock 标记、OPML、Emacs Org-mode、DocBook、txt2tags、EPUB 和 Word docx；它可以写纯文本、markdown、reStructuredText、XHTML、HTML 5、LaTeX（包括投影仪幻灯片）、ConTeXt、RTF、OPML、DocBook、OpenDocument、ODT、Word docx、GNU Texinfo、MediaWiki 标记、DokuWiki 标记、Haddock 标记、EPUB (v2或 v3)、FictionBook2、Textile、groff 手册页、Emacs Org-Mode、AsciiDoc、InDesign ICML 和 Slidy、Slideous、DZSlides、reveal.js 或 S5 HTML 幻灯片。它还可以在安装了 LaTeX 的系统上生成 PDF 输出。

正如@evilsoup 建议的那样，这可能有效：

cd /DIRECTORY/WITH/FILE/IN && libreoffice --headless --convert-to html 'FILE.docx' && pandoc 'FILE.html' -o 'FILE.pdf'

_{是的，您可以将 libreoffice 命令与 一起使用--outdir，但 html 输出并不总是那样工作......}

我对此进行了快速测试，除了由于文档中的 gif 图像导致 Pandoc 崩溃之外，它似乎还有效

Answer 2

这仍然出现在谷歌搜索中，所以我想把它记录在案：当这个问题被问到时 pandoc 无法读取 docx（错误来自尝试读取二进制文件）但从 1.13 版开始它可以，并且它做了一个做得很好。