sys/man/1/doc2txt

   1 .TH DOC2TXT 1
   2 .SH NAME
   3 doc2txt, doc2ps, wdoc2txt, xls2txt, olefs, mswordstrings, msexceltables
   4 \- extract printable text from Microsoft documents
   5 .SH SYNOPSIS
   6 .B doc2txt
   7 [
   8 .I file.doc
   9 ]
  10 .br
  11 .B doc2ps
  12 [
  13 .I file.doc
  14 ]
  15 .br
  16 .B wdoc2txt
  17 [
  18 .I file.doc
  19 ]
  20 .br
  21 .B xls2txt
  22 [
  23 .I file.xls
  24 ]
  25 .br
  26 .B aux/olefs
  27 [
  28 .B -m
  29 .I mtpt
  30 ]
  31 .I file.doc
  32 .br
  33 .B aux/mswordstrings
  34 .IB mtpt /WordDocument
  35 .br
  36 .B aux/msexceltables
  37 [
  38 .B -qaDnt
  39 ] [
  40 .B -d
  41 .I delim
  42 ] [
  43 .B -c
  44 .I column-range
  45 ] [
  46 .B -w
  47 .I worksheet-range
  48 ]
  49 .IB mtpt /Workbook
  50 .SH DESCRIPTION
  51 .I Doc2txt
  52 is an
  53 .IR rc (1)
  54 script that uses
  55 .I olefs
  56 and
  57 .I mswordstrings
  58 to extract the printable text from the body of a Microsoft Word document
  59 and write it on the standard output.
  60 .I Doc2ps
  61 is similar, but emits PostScript corresponding to the document.
  62 .I Wdoc2txt
  63 is similar to
  64 .IR doc2txt ,
  65 but uses
  66 .IR plumb (1)
  67 to send the output to a new
  68 .IR acme (1)
  69 window instead.
  70 .I Xls2txt
  71 performs a similar function for Microsoft Excel documents.
  72 .PP
  73 Microsoft Office documents are stored in OLE (Object Linking and Embedding)
  74 format, which is a scaled down version of Microsoft's FAT file system.
  75 .I Olefs
  76 presents the contents of an MS Office document as a file system
  77 on
  78 .IR mtpt ,
  79 which defaults to
  80 .BR /mnt/doc .
  81 .I Mswordstrings
  82 or
  83 .I msexceltables
  84 may then be used to parse the files inside, extracting
  85 a text stream.
  86 .I Msexceltables
  87 may be given options to control the formatting of its output.
  88 .TF "\fL-d \fIdelim"
  89 .TP
  90 .B -a
  91 Attempt conversion of non-tabular sheets in the workbook (charts).
  92 .TP
  93 .BI -d " delim
  94 Sets the inter-field delimiter to the string
  95 .IR delim ,
  96 by default a single space.
  97 .TP
  98 .B -D
  99 Enables debugging output.
 100 .TP
 101 .BI -c " range
 102 .I Range
 103 is a comma-separated list of column numbers and ranges.
 104 Ranges are separated by dashes.
 105 Limit processing to just those columns named;
 106 by default all columns are output.
 107 .TP
 108 .B -n
 109 Disables field padding to column width.
 110 .TP
 111 .B -q
 112 Disable quoting of textural fields (see
 113 .IR quote (2).)
 114 .TP
 115 .B -t
 116 Truncate fields to the column width.
 117 .TP
 118 .BI -w " range
 119 .I Range
 120 is a comma-separated list of worksheet numbers and ranges, this
 121 limits the sheets output using the same syntax as the
 122 .B -c
 123 option above.
 124 Suppressed chart pages are always included in the sheet count.
 125 .SH EXAMPLE
 126 Extract pieces of an MS Excel spreadsheet.
 127 .PD 0
 128 .IP
 129 .EX
 130 .SM
 131 aux/olefs report.xls
 132 msexceltables -q -w 1,7,9-14 -c 3-5 -n -d '@' /mnt/doc/Workbook > rpt.txt
 133 unmount /mnt/doc
 134 .EE
 135 .PD
 136 .SH SOURCE
 137 .TF "\fL/sys/src/cmd/aux   "
 138 .TP
 139 .B /rc/bin
 140 .BR doc2txt ,
 141 .BR doc2ps ,
 142 .BR wdoc2txt,
 143 and
 144 .BR xls2txt
 145 .TP
 146 .B /sys/src/cmd/aux
 147 the others
 148 .fi
 149 .PD
 150 .SH SEE ALSO
 151 .IR strings (1)
 152 .br
 153 ``Microsoft Word 97 Binary File Format'',
 154 at Microsoft's developer (MSDN) home page.
 155 .br
 156 ``LAOLA Binary Structures'',
 157 .B http://user.cs.tu-berlin.de/~schwartz/pmh
 158 .br
 159 ``OpenOffice.Org's Excel Documentation'',
 160 .br
 161 .B http://sc.openoffice.org/excelfileformat.pdf