面倒くさがり屋のための旧版Wordファイル解読法

Samstag, Juni 26, 2010 追記：もっと簡単なやり方がありました。新しい記事をどうぞ。以下は古い記事ですが、お暇ならどうぞ。

---

前々項のおまけ。

旧版のMS-Word（Word 2004以前）のファイルはテキスト部分がUTF-16LEなので、iconvとGNU sedを使えば、こんな風にしてテキストが抽出できます。

$ iconv -f UTF-16LE hoge.doc | gsed -e 's/[^[:print:][:space:]]//g' > hoge.txt

ちょっとゴミは残りますがご勘弁。

一太郎ファイルの場合、iconvの-fオプション引数を「UTF-16」にすればできそうに思えるのですが、私の環境ではうまくいきませんでした。これでできれば、前項のようにテキストエディタでバイナリ部分も含めて開くより、多少は安全に作業できるはずなんですが。なんでできないのかな (?_?;;

なお、これも緊急避難的に「自己責任」でどうぞ。

☆ JULI 29 追記

「Antiword」というものがありました。

http://www.winfield.demon.nl/

これだとけっこうきれいにテキスト（UTF-8）が抜き出せます。

でも、名前が... 私は、アンチMS／アンチWordじゃなくて、ただ面倒くさがり屋なだけなんですけど。

★JANUAR 07, 2009 追記

な〜んだ! です。

MacOSXにもともと含まれている「テキストエディット.app」で旧版MS-Wordファイルは読めますよ。

テキストエディタとしてはショボイんですが、旧版Wordファイル読みに、これけっこう使えますね。

これに気付かなかったのは迂闊でした :-}

面倒くさがり屋のための一太郎ファイル解読法

前項のついでに...

一太郎文書をたまに（というか役所や学校関係の人からの原稿が一太郎の場合が少なくないんです）もらいます。私の作業機はMacOSXなので、さてどうするかです。

実は、以前、*BSD機をメインにしているころ、「一太郎Ark」を買ってました。これはJAVAアプリなので、MacOSXでも動きます。

でも、短い文章に重たいJAVAアプリを立ち上げるのも面倒だな〜と思うときは、テキストエディタでむりやり読んでしまいます。

一太郎文書は、書式などのバイナリデータの中にUTF-16BEのテキストが埋め込んであるのです。しかも短い文書だとテキストはひとかたまりになってます。MS-Wordの旧版も同様なのでテキストエディタで読み出せます。（一太郎とはエンディアンが逆になっていたんじゃないかな？）

私は「CotEditor」http://www.aynimac.com/p_blog/index.php というテキストエディタを使ってます。これだとファイルを開く時に「UTF-16BE」が指定できるのです。

バイナリ部分が邪魔をして動きがちょっと鈍くなります。長い文書だとつらいかも。

ときどき、「あ〜ぁ、Arkで開ければよかった！」と後悔することしばしばです。

でも、一太郎Arkを持ってない人は、緊急避難的にお試しあれ。ただし、バイナリ部分が悪さをするかもしれませんから、「自己責任」でお願いします。

面倒くさがり屋のためのMS-Word 2007ファイル解読法

Samstag, Juni 26, 2010 追記：MacOSX 10.6ならもっと簡単なやり方がありました。新しい記事をお読みください。下のは古い記事ですが、お暇ならどうぞ。

---

MS-Word2007文書（.docx）の実態は、ZIPでアーカイブされたXMLファイル群です。本文はその中のword/document.xmlにUTF-8テキストとして入っています。ただ、書式関係のタグがてんこもりなので、そのままでは読みにくくてしかたありません。そこで、sedを使ってじゃまものをどけようというわけです。

たとえば、デスクトップにある「hoge.docx」というファイルを読みたいとしますね。

moria:~ tac$ cd Desktop/
moria:~/Desktop tac$ mkdir docx
moria:~/Desktop tac$ cd docx/
moria:~/Desktop/docx tac$ unzip ../hoge.docx
Archive: ../hoge.docx
inflating: [Content_Types].xml
inflating: _rels/.rels
inflating: word/_rels/document.xml.rels
inflating: word/document.xml
inflating: word/theme/theme1.xml
extracting: docProps/thumbnail.jpeg
inflating: word/settings.xml
inflating: word/fontTable.xml
inflating: word/webSettings.xml
inflating: docProps/core.xml
inflating: word/styles.xml
inflating: docProps/app.xml
moria:~/Desktop/docx tac$ cd word/
moria:~/Desktop/docx/word tac$ gsed -e 's#</w:p>#\n#g; s#<[^>]*>##g' document.xml > document.txt

これでもとのWord文書のテキストが「document.txt」に書き出されているはず（UTF-8テキストです）。



あ〜... がっかりしました？

.docx文書ファイルが読めなくて、検索したら、このページたどり着いてしまったみなさん、すみません。unix系OSにさわったことのある人、sed遣い向けです。sedはMS-Windows版もあるんですけどね。

上のは、MacOSX10.4.11での実行例。ただし、sedはOS附属のじゃなくてGNU sed version 4.1.5です。


なお、GNU sed をインストールするのが面倒な人は、document.xmlをviまたはVimで読み出して、

:%s#</w:p>##^M#g
:%s#<[^>]*>##g

ってやってみてください。なお、「^M」は「Ctrl+V Ctrl+M」ですけど、vi遣いには言わずもがなですな　(^_^)

美術分野に進出

...って、うちの近所の美術館で「監視ボランティア」をさせてもらっているだけですけど。

美術にはコンプレックスがあるんです。写生など、紙の上には、見たものと全然違うものができあがってしまって、つくづく嫌になります。

そういや、字もへたです。取材メモは自分でも判読不能になっていて、記事を書く段になってほとほと困ることがしょっちゅうです。

監視とはいえ、作品に囲まれているのは楽しいですね。

月2、3回、半日ほど、青年期からこの間まで捨ててきた時間を、ほんの少しだけれど、取り戻しています。

言い訳

このブログ長らく、放ったらかしにしてました。

もともと、人モスナルぶろぐトイフモノヲ、我モシテミムトテスナリ、という程度で始めてしまったもの。

なにかを系統的に書こうなんて構想があった訳ではないのです。

... と言い訳をしながら、久しぶりに書こうとしたら、ここのエディタがSafariにも対応するようになってますね（Safariの方が対応したのかな？）。ともあれ嬉しい(^_^)

ラガーマンの作品1

ラガーマン（次男）が高校の実習で作ったもの。円柱状の鉄材からヤスリで削り出す課題なんだそうです。6時間ぐらいかかったとか。

こっちの端と向こうの端で厚みが1mmほど違ってるし、ネジも垂直にはならなかった。難しいものだね。

でも、ゲームばかりやっていた君が、こうやって、手仕事：現実のモノとの格闘にとりくんでくれるようになって、私はうれしいよ。

ラグビーも勉強・実習もがんばっておくれ。

清水九兵衛「朱甲容」

清水九兵衛（1922-2006）の作品「朱甲容1990」です。

私の通勤途中の「とある施設」に設置されています。ずっと気になっていたので、先日、そこの職員に写真を見せて、作者名や作品名を聞いてみました。
フロア案内の人も、この作品のすぐ近くに部屋をもっている部長氏も、「これはどこにあるんですか？」と逆に私に尋ねる始末。

やっと担当部署を見つけて、作者と作品名が聞けたました。

「とある施設」とは「芦屋市役所」。南館玄関の向かい、車寄せピロティの奥のニッチのような小庭にあります。南館の竣工（1990年）に合わせて制作されたとのこと。

清水九兵衛氏は、「親和（affinity）」＝周囲にとけ込む調和を志向したそうですが、こんな「真っ赤」なものがそこで毎日働いている人たちの意識にものぼらないほど「親和」しているようです。「朱甲容」は東京都庁にもあります。<ｐ>

土砂降りの残党

雷の連中、きょうは二度もにぎやかに土砂降りをやってくれました。
六甲山にキャンプに出かけている末息子も楽しんだかな？

その残党を夕方、わが家の沖にみつけました。

Journal of the Sendai International Cultural Society

 古本屋って、古い雑誌も魅力的です。

これは、神戸の後藤書店で見つけたもの。神戸の中心的商店街の、しかもその駅よりの入り口近く、最も人通りの多いところにある古書店なのです。店先にはいつも、3冊2,000円など（この店では）比較的安い本が段ボールに何箱も出してあります。そのうち1/3ぐらいは洋書、英語だけでなく、フランス語のもたくさんあります。私はこれをのぞくのが好きなのです。

その中に『SENDAI…』というタイトル。ひょっとして、母校の？と手に取ってみたのがこれでした。

『Journal of the Sendai International Cultural Society』、1940年刊行のものです。国会図書館で検索してみると、この号しか所蔵されていません。1940年という時期からすると続けては刊行できなかったのでしょう。

天地22.7mm、左右15.6mm：菊判よりちょっと大きめ？ 本文168ページ。

執筆陣がすごいです。村岡典嗣、中村吉治、金倉圓照、野上豊一郎、藤原松三郎、武内義雄、西田幾多郎。

また、各論文のタイトルからもわかるように、本文は英語、フランス語、ドイツ語で書かれています（村岡、金倉、西田の3本は翻訳です）。

武内氏の「老子」は、岩波文庫『老子』よりも少し後の執筆です。

知人の数学史研究者に調べてもらったら、図書館では国会図書館とあと2館にしか所蔵されておらず、藤原氏の論文は既刊の論文集にもまだ収録されていないものなのだそうです。

発行当時、Sendai International Cultural Societyがおかれていた東北大学の附属図書館にも所蔵されていなかったので、これを寄贈することにしました。

一段落？

このblogはじめ、Net上、“あちら”も“こちら”もごぶさたしてました。 

 新年度、次男、長女（カット屋さんM.M.）もそれぞれ進学。妻も市議会議員に当選。わがやの生活が一新しました。 

 毎日の朝ご飯と弁当は私の当番になって、生まれてはじめて朝型人間になりました。

 妻が当選したのもうれしいですが、いちばんうれしいのは、次男が「勉強はわからん」といいつつも、中学時代の遅刻常習犯から一変して、朝、家族で一番先に出かける、ラグビーに熱中しだした—など、楽しそうに工業高校での生活を始めたこと。将来も若者の雇用・労働状況はたいへんそうだけでど、がんばれよ。

# 年度末には私が頸を痛めて入院というオマケも :-) 

# 入院している間に四半世紀ぶりにくすぶりはじめた焼け木杭：非平衡の熱力学の勉強は、選挙で中断してましたが、ぼちぼち再開しましょうか...