Verwandlungskünstler

Trotz vielfacher Bitten schickt Ihnen Ihr Geschäftspartner grundsätzlich MS-Word-Dokumente? Sie haben für einen schnellen Blick in eine StarWriter-Datei keine Lust, fünf Minuten zu warten, bis das Office-Paket endlich gestartet ist? Man muss nicht grundsätzlich eine Abneigung gegen riesige Office-Suites haben, um deren spezifische Formate in etwas schneller und/oder allgemeiner Lesbares umwandeln zu wollen.

Für die Lösung dieses Problems sorgen diverse Konvertierungsprogramme für die Kommandozeile, und deren gibt es gar nicht mal so wenige. Tabelle 1 verschafft einen Überblick: Sie enthält auch Anwendungen, die dieser Artikel nicht ausführlich bespricht.

OpenOffice und StarOffice

Trotz der Tatsache, dass Open- und StarOffice unter Linux zur Verfügung stehen, hat nicht jeder diese nicht gerade schlanken Pakete installiert. Eine schnelle Möglichkeit, um sich einen Überblick über den Inhalt der damit erzeugten Dokumente zu verschaffen, bietet o3read [1]. Dieses Tool weiß sowohl mit Dokumenten der Textverarbeitung als auch mit denen der Tabellenkalkulation umzugehen.

Das o3read-Paket bringt drei Ausgabemodule mit, wovon o3tohtml die besten Ergebnisse liefert. Daneben gibt es das Programm o3totxt, welches die Dokumente in Text umwandelt, und o3read selbst, das tabellarisch die verwendeten XML-Tags und deren Werte ausgibt.

An die Bedienung der drei Programme muss man sich erst einmal gewöhnen, denn sie können mit sxw- und sxc-Dateien nichts anfangen. Bei diesen, mit OpenOffice und StarOffice ab Version 6.0 erstellten Textverarbeitungs- und Tabellenkalkulationsdateien handelt es sich um komprimierte Archive. Packt man sie aus, kommen xml-Dateien zum Vorschein. Der Inhalt des Dokuments befindet sich in content.xml.

Die o3read-Tools überlassen das Entpacken des Archivs dem Benutzer. Der benötigt zu diesem Zweck das Programm unzip. Auf die content.xml-Datei lässt sich o3tohtml folgendermaßen anwenden:

unzip -p dokument.sxw
 content.xml | o3tohtml > dokument.html

Dieser Befehl holt die Datei context.xml aus dem Star- bzw. OpenWriter-Dokument dokument.sxw auf die Standardausgabe. Die Pipe () reicht ihren Inhalt an o3tohtml weiter. Dessen Ausgabe leitet der "Pfeil" > in eine Datei namens dokument.html um.

Auch die anderen beiden Ausgabemodule des o3read-Pakets rufen Sie am besten in dieser Form auf. Sollten Sie nach der Konvertierung feststellen, dass Umlaute und Sonderzeichen nicht richtig dargestellt werden, liegt das daran, dass das Ursprungsdokument UTF8-kodiert war. Auch für diesen Fall ist vorgesorgt: Das bei o3read mitgelieferte Hilfsprogramm utf8tolatin1 schafft Abhilfe. Der Aufruf sieht dann so aus:

unzip -p tabelle.sxc
 content.xml | o3tohtml | utf8tolatin1 > tabelle.html

Die Ausgabe von o3tohtml reicht die Pipe an utf8tolatin1 weiter, welches für die Zeichensatzkonvertierung sorgt, bevor die Ausgabe in eine Datei erfolgt.

Schaut man sich die Arbeitsweise der Programme an, wird gleich auch deren Schwäche deutlich. sxw- und sxc-Archive bestehen noch aus weiteren xml-Dateien, die Meta-Informationen zu den Dokumenten speichern, ebenso können sie Unterordner mit eingebetteten Bildern enthalten. Auf all diese Formatinformationen müssen Sie bislang bei einer Konvertierung verzichten. Einige Formatierungen wie kursiver oder unterstrichener Text bleiben jedoch ebenso erhalten wie die grundlegende Struktur eines Dokuments.

Für Tabellen ist o3totxt nicht zu gebrauchen: Da die Ausgabe zeilenweise erfolgt, geht dabei jede Übersicht verloren. Dafür punktet o3tohtml in dieser Disziplin mit sehr ansprechenden Ergebnissen.

Wort-Konversion

Um maßlose Verwunderung im Bekanntenkreis zu wecken, reicht ein beherztes "Isch 'abe gar kein Word" meistens völlig aus. Fast jedem neuerworbenen PC beiliegend, stellt Microsoft Word den De-facto-Standard auf dem Gebiet der Textverarbeitung dar. Aufgrund dieser großen Verbreitung ist es nicht verwunderlich, dass für die Office-Anwendung die meisten Konverter existieren. Obwohl Microsoft das Word-Format nicht offenlegt, müssen die sich ihrer Leistung nicht schämen. Den populärsten Vertreter stellt wohl wv [2] dar.

Mehr als 15 Einzelprogramme bringt dieses Paket mit. Einige bieten Ausgaben rein informativer Natur, etwa wvVersion, welches ermittelt, mit welcher Word-Version ein Dokument erstellt wurde. wvSummary gibt für alle MS-Office-Dokumente Informationen wie Titel und Autor aus. Der überwiegende Teil der Anwendungen arbeitet jedoch als Ausgabemodul. Deren Namen sind selbsterklärend: So wandelt wvHtml Word-Dateien ins HTML-Format, wvLatex überführt sie hingegen in eine tex-Datei. Weitere Ausgabemodule übernehmen die Umwandlung nach PostScript, RTF oder DVI, wobei sich manche Module externer Hilfsprogramme bedienen. Ihr Aufruf ist denkbar einfach:

wvHtml dokument.doc
 dokument.html

Vergessen Sie dabei nicht, die Dateiendung der Ausgabedatei je nach verwendetem Modul anzupassen.

Den Zugriff auf eine mit Passwort geschützte Word-Datei erlaubt wvWare. Der Befehl

wvWare -p Geheim
 dokument.doc
 > dokument.html

wandelt das mit dem Passwort Geheim geschützte File dokument.doc nach HTML. Da wvWare im Gegensatz zu den einzelnen Ausgabemodulen auf die Standardausgabe schreibt, ist die Umleitung in eine Datei nötig.

Die wv-Programme liefern durchgehend gute Ergebnisse (Abbildungen 1 und 2), bei denen sowohl die Dokumentstruktur, als auch Grafiken und Formatierungen erhalten bleiben, sofern das gewählte Ausgabeformat dies zulässt.

Abbildung 1: Das ursprüngliche Word-Formular …

Abbildung 2: … und die von wvHtml konvertierte Version

Je nach Dokument lohnt es sich, mit verschiedenen Ausgabeformaten zu experimentieren. Die beste Darstellung eingebundener Grafiken erreicht man mit wvPDF, welches jedoch alle im Text vorkommenden Euro-Zeichen unterschlägt. Für Dokumente mit Preistabellen ist daher wvHtml die bessere Wahl.