识别包含图像的.doc / .docx文件

我正在将笔记移至Evernote。为此，我需要将.doc / .docx文件转换为rtf。原因是我有一个脚本将rtf导入evernote。但是，我的某些.doc / .docx文件包含图像。

有什么方法可以识别哪些.doc / .docx文件包含图像而无需全部查看？我有数千。这样，我可以简单地打开一些有图像的文件，然后将整个内容直接复制/粘贴到evernote中。

应该说我正在使用OS X 10.6.8。

.doc文件在哪里存储图像？

Word doc文件实际上是经过压缩的，然后放入了容器格式。他们以这种编译文件格式将媒体存储在某个位置，可能就在doc格式标题之后。在图像数据之后，您的真实文档是一个与zip兼容的文件夹。

因此，当您尝试解压缩doc文件时，开头会得到过多的字节。这些是您的图像（加上格式标题）。现在，您可以尝试读取unzip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文档的标题大6060字节（尽管有些大一些）。我们可以尝试利用它来确定文档中是否有图像。我们只能说8000个字节-因为实际图像肯定会超过几个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，任何包含任何类型的嵌入式媒体（图像，视频）的Word文件都将包含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。

用于检查图像的脚本

• 创建一个新的空文件，将其命名为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
  

• 将其保存在某个位置，最好保存在您要开始搜索docx文件的Documents文件夹中，也许是文件夹中。

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

• 输入ruby docx-images.rb，它将递归地扫描您的Documents文件夹中的docx和doc文件。它将前者解压缩到/tmp/word，并检查它们是否包含嵌入式媒体。后者只是解压缩到/dev/null，因此没有任何痕迹。

• 最后，您将获得包含嵌入式媒体的列表。

证明

为了证明这可行，我创建了四个文件。一个带有图像，一个没有图像– as doc和docx：

然后，运行脚本：

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

显然，可以对该脚本进行改进以检查该media文件夹中的实际图像，但是除非该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。这是一个技巧，但对我有用。

当然，该脚本取决于unzip各自系统上的实现，但是它适用于OS X版本。

对于Windows：

• 将.docx重命名为.zip，打开zip文件并提取图像（最佳方法！）。
• 然后在下方\zipfile\word\media找到该图像。

参考