docx-shell-parse
Extract text from DOCX files using shell commands when python-docx is unavailable
ソース情報
- リポジトリ
- HKUDS/OpenSpace
- ソースの最終更新活動
- 2026年7月17日 03:43
- 検出された SKILL.md の言語
- 英語
- スター
- 7,753
- フォーク
- 925
インストール方法
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
ソースファイルを確認
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
ファイルエクスプローラー
2 ファイルSKILL.md を表示中
SKILL.md
ソースの指示 · 読み取り専用プレビュー- name
- docx-shell-parse
- description
- Extract text from DOCX files using shell commands when python-docx is unavailable
# DOCX Shell Parsing Workaround
When you need to read content from Microsoft Word (.docx) files but python-docx or similar libraries are unavailable, use this shell-based approach to extract text reliably.
## When to Use
- Python environment lacks `python-docx` or similar libraries
- You need quick text extraction without installing dependencies
- Working in constrained environments (containers, minimal images, etc.)
## Core Technique
DOCX files are ZIP archives containing XML files. Extract and parse the main document XML:
```bash
unzip -p filename.docx word/document.xml | sed -e 's/<[^>]*>//g'
```
## Step-by-Step Instructions
### 1. Verify the DOCX file exists
```bash
ls -la document.docx
```
### 2. Extract raw XML content
Use `unzip -p` to pipe the document.xml content directly to stdout:
```bash
unzip -p document.docx word/document.xml
```
### 3. Strip XML tags from content
Pipe through `sed` to remove all XML tags:
```bash
unzip -p document.docx word/document.xml | sed -e 's/<[^>]*>//g'
```
### 4. Clean up whitespace (optional)
For cleaner output, remove excessive whitespace and newlines:
```bash
unzip -p document.docx word/document.xml | \
sed -e 's/<[^>]*>//g' | \
sed -e 's/^[[:space:]]*//' -e 's/[[:space:]]*$//' | \
sed -e '/^$/d'
```
### 5. Save extracted text to file
```bash
unzip -p document.docx word/document.xml | \
sed -e 's/<[^>]*>//g' > output.txt
```
## Complete Shell Function
Add this reusable function to your scripts:
```bash
parse_docx() {
local file="$1"
if [ ! -f "$file" ]; then
echo "Error: File not found: $file" >&2
return 1
fi
unzip -p "$file" word/document.xml 2>/dev/null | \
sed -e 's/<[^>]*>//g' | \
sed -e 's/^[[:space:]]*//' -e 's/[[:space:]]*$//' | \
sed -e '/^$/d'
}
# Usage: parse_docx document.docx
```
## Limitations
- Does not preserve formatting, images, or tables structure
- May include some residual XML entity references
- Works best for simple text extraction needs
- DOCX must be a valid Office Open XML format
## Verification
Confirm extraction worked by checking output:
```bash
parse_docx document.docx | head -20
```
## Alternative: Extract to Temporary Directory
For more complex parsing needs:
```bash
tmpdir=$(mktemp -d)
unzip document.docx -d "$tmpdir"
cat "$tmpdir/word/document.xml" | sed -e 's/<[^>]*>//g'
rm -rf "$tmpdir"
```
GitHubで見る