Инструмент командной строки для поиска файлов docx

Существует ли инструмент командной строки для текстового поиска в файле docx? Я пробовал использовать grep, но он не работает с docx, хотя отлично работает с txt и xml файлами. Я мог бы сначала конвертировать docx в txt, но предпочел бы инструмент, работающий непосредственно с docx файлами. Мне нужно, чтобы этот инструмент работал в Cygwin.

Редактирование ОР: Позже я обнаружил, что самый простой способ выполнить grep – это на самом деле конвертировать эти docx в txt, а затем использовать grep по ним.

Мое решение с grep в виде функции, которую можно вставить в ваш .bashrc

docx_search(){ local arg wordfile terms=() root=${root:-/}; for arg; do terms+=(-e "$arg"); done; find 2>/dev/null "${root%/}/" -iname '*.docx' -exec bash -c "$(declare -p terms)"'; for arg; do unzip -p "$arg" 2>/dev/null | grep --quiet --ignore-case --fixed-strings "${terms[@]}" && printf %s\\n "$arg"; done' _ {} +; }

Она будет искать любое (с учетом регистра) вхождение своих аргументов и выводить местоположение соответствующего файла docx.

Примеры:

$ docx_search 'my example sentence'
/cygdrive/d/example sentences.docx
/cygdrive/c/Users/my user/Documents/example sentences.docx
$ root="/cygdrive/c/Users/my user/" docx_search 'seldom' 'full sentence'
/cygdrive/c/Users/my user/Documents/example sentences.docx
$ 

Читаемая версия:

docx_search(){
  local arg wordfile terms=() root=${root:-/}
  # это присваивание ‘root’ позволяет искать в конкретном месте, например, /cygdrive/c/ вместо поиска везде на машине
  for arg; do terms+=(-e "$arg"); done
  # Мы внедряем термины для поиска внутри строки с помощью declare -p
  find 2>/dev/null "${root%/}/" -iname '*.docx' -exec \
    bash -c "$(declare -p terms)"';
      for arg; do
        unzip -p "$arg" 2>/dev/null |
          grep --quiet --ignore-case --fixed-strings "${terms[@]}" &&
          printf %s\\n "$arg"
      done' _ {} +
}

Я знаю несколько инструментов индексирования, поддерживающих документы Word. Такие инструменты позволяют индексировать документы, а затем эффективно искать слова в индексе. Они не позволяют выполнять полные текстовые поиски.

• Recoll (с Antiword и WvWare). Я не уверен в поддержке Cygwin.
• Lucene, с требуются некоторые настройки. Возможно, работает на Cygwin.
• Sphinx, с любым конвертером docx-to-text. Нативно поддерживается в Windows.
• Tracker (возможно, есть некоторые проблемные моменты). Поддержка Cygwin выглядит сомнительно.

DOCx сжат и не является текстовым форматом. Таким образом, вам сначала нужен конвертер. После этого можно использовать команду find на преобразованных файлах.

Вот обновленная версия, оптимизированная для производительности.

Требуются ripgrep и fd-find. Вот как их установить, если они у вас не установлены.

fd-find:

sudo apt install fd-find

ripgrep:

curl -LO https://github.com/BurntSushi/ripgrep/releases/download/13.0.0/ripgrep_13.0.0_amd64.deb
sudo apt install ./ripgrep_13.0.0_amd64.deb

Вставьте это в ваш .bashrc:

docxgrep() {

    keyword="$1"

    /usr/bin/fdfind -t f -e docx . | while read -r arg; do
        if unzip -p "$arg" 2>/dev/null | rg -q  --ignore-case --fixed-strings "$keyword"; then
            echo "$arg"
        fi
    done
}

Запустите source ~/.bashrc
Теперь мы можем искать:

$ docxgrep 'hello'        
./Document.docx

Вы смотрели openoffice ninja?
(не знаю о поддержке cygwin)

Существует специализированная версия grep для поиска в *.docx (и других документах Microsoft Office), *.pdf, *.mp3, базах данных (SQLServer, Oracle, PostgreSQL, MySQL, SQLLite, H2), метаданных изображений (*.jpg, *.bmp, *.png, *.gif, *.tiff), Maven, сжатых файлах (*.zip, *.tar.gz, *.7z и т.д.) и других файлах. Заявлено, что она выполняет рекурсивные поиски ресурсов внутри ресурсов. Требуется предварительная установка Java.

• crgrep, для Common Resource Grep
• https://sourceforge.net/projects/crgrep/
• Версия 1.0.6
• Последнее обновление: 2024-04-23

Отзывы от:

(2022) https://darrengoossens.wordpress.com/2022/09/04/crgrep-in-2022-grep-any-file-windows/

(2017) https://darrengoossens.wordpress.com/2017/07/28/search-insde-word-pdf-xml-and-other-files-installing-and-using-crgrep/

Еще одна возможность – docread, написанная на rust:
https://github.com/agoldhammer/docread