js-py-document-search

更新用。 パワーポイント文書をutf-8 textファイルに変換する。 ppt-to-text.batから直接呼び出される。 Python 3 用。

    ppt_to_text.py E:\scratch\Hello.doc E:\scratch E:\tmp
    ppt_to_text.py Hello.doc E:\scratch E:\tmp --normalize
    
    第1引数: 変換元パワーポイント文書（フルパスまたは出力先パス）
    第2引数: 出力先ディレクトリ（フルパス）
    --tempdir: 一時ファイル作業用ディレクトリ（フルパス）
    --keeptemp: 一時ファイルを削除しない
    --normalize: テキストをUnicode正規化する
    --invisible: ワードを非表示にする
    --verbose: 冗長な情報を出力する
    
    utf-8 text ファイルを生成する。
    ファイル名は末尾に .txt を付加する。 MyPpt.ppt -> MyPpt.ppt.txt
    Unicode正規化には、jsngram packageを使用する。
    
    パワーポイントとワード本体が必要（インストール済みであること）。
    
    一時ファイル作業用ディレクトリには、
    必ず、必要なファイルが無いディレクトリを指定する。
    ここにあるファイルは無条件に上書き変更する。
    
    このプログラムはパワーポイントを起動し、
    指定された文書ファイルを開き、
    rtfとして一時ディレクトリに保存し、
    パワーポイントを閉じる。
    さらに word_to_text.py を利用して、
    rtfを開き、
    変換したtextを保存する。
      

パワーポイントに付属する、RTF形式保存機能には不具合があり、 不正なファイルを出力する場合がある。 この場合、ワードで読み込めないため、エラーが発生する。 変換元ファイルの、フォントや書式等の編集履歴に依存するようだが、 直接原因が不明なため、対処できない。 書式等をシンプルにして保存すれば回避できるかもしれない。