将.docx文件转换为纯文本并保留换行符以维护对源文档的行号引用：howto和含义？

我正在将MS Word内容导出为纯文本，以便与文本和文件实用程序一起使用。我有一个约束，其中在MS软件中已启用行编号功能，并且最终输出中对行编号的任何引用都必须与该编号匹配。因此输入“编号行”：

（EA坡）

显然，对于Word来说，这种编号不会在换行符处打断行，而是在右边距（或其他位置）后打断“行” 。像这样的脚本docx2txt，默认情况下似乎并没有解决这个问题，并在换行符处换行。因此，如果我使用grep -n编号，则行将与源行号功能不匹配，如上所示。从文档中还不清楚，在这种情况下，我将需要如何编辑Perl脚本来转换文件：

our $config_newLine = "\n"; # Alternative is "\r\n".
our $config_lineWidth = 80; # Line width, used for short line justification.

我尝试替代\n，\r\n但这似乎对我不起作用。因此，我采取了以下设置（在v.2013,64pc上另存为纯文本格式）直接从Word导出文档：

• Unicode（UTF-8）
• 用（CR / LF）插入换行符+结束行
• 允许字符替换

现在的确，当我使用这些.txt文件时，源编号功能中的行号与grep -n输出之间的匹配非常完美。

• 是否有任何我应该了解的特定配置/过程docx2txt或类似的命令行实用程序，该实用程序可以让我将.docx文件转换为纯文本，同时保留换行符，而无需像以前那样依靠Word？
• 关于换行符和格式设置，将MS Word文档（可能包含重音符号）导出为纯文本以与文件/文本实用程序一起使用的最佳实践是什么；我为导出选择的设置是否有负面影响，即插入CR / LF？

样品

根据建议，我提供了一个示例。在这个rar 档案中，我将.docx文件与简单的段落捆绑在一起，并将其导出的.txt文件使用Word与上述选项捆绑在一起。可以将后者与docx2txt源文件的默认运行进行比较。

docx2txt处理docx文件中的信息，该文件是一组XML文件。

关于换行，.docxXML数据仅包含有关段落和硬中断的信息，而不包含软中断的信息。软中断是用特定的字体，字体大小和页面宽度呈现文本的结果。docx2txt通常只尝试在80列中填充文本（可配置80列），而不考虑字体和字体大小。如果您.docx包含Unix / Linux上没有的Windows系统中的字体信息，那么.txt尽管通过Open / LibreOffice 进行的导出工作很好，但通过Open / LibreOffice 导出到该布局的可能性也不大。

因此，docx2txt或其他任何命令行实用程序，包括命令行驱动的Open / LibreOffice处理，都不能保证将文本转换为与从Worddos²导出相同的布局。

如果您希望（或受客户的要求而被迫）完全像Word一样进行渲染，那么根据我的经验，只有一种方法：让Word进行渲染。当遇到与您的³类似的问题，并且使用其他工具（包括OpenOffice）导致结果不兼容时，我转而在主机Linux服务器上安装Windows VM。在客户端VM上，程序会观察主机上要转换的传入文件，这将启动并驱动Word进行转换，然后将结果复制回。

有关仅使用CR / LF或LF或UTF-8或其他某种编码的决定.txt很大程度上取决于如何使用生成的文件。如果生成的文件在Windows上使用，我肯定会使用CR / LF，UTF-8和UTF-8 BOM。Linux上的现代程序能够推断出文件为UTF-8，但不会在BOM上打扰和/或使用该信息。如果预先知道所有目标应用程序的兼容性，则应该对其进行测试。

¹ _{这种不兼容性是我的一些朋友尽管愿意的主要原因，但仍然无法从Windows转换为Linux的主要原因。他们必须不时使用MicroSoft Word，例如Open / LibreOffice，以解决与客户交换的文本。}
² _{您可以安装Word文件中使用的所有字体，有时某些文本可能会很幸运。}
³ _{从R渲染.doc/.docx}
PDF⁴ _{该程序使用GUI自动化-就像有人单击其菜单一样-不会尝试通过API驱动Word。我很确定后者也可以完成，并且如果Word升级，它的优点是不会破坏其他功能}