MS-Offiiceから平文を抽出するコマンドの整備

中盤では，MS-Offiiceから平文を抽出するコマンドを揃える．

ここで，選択肢がある．

MS-Word　や MS-Excel から平文を抽出するために，前回は abiword とか ssconvert を利用した．その一方で，変換サーバーも試してみたいと，r-labsには書いた．

実はそれから程なくして，unoconvを利用して，OpenSlide環境を構築したのである．（2012年3月）

その際にハマったことは，初期の段階では，LibreOfficeサーバを立ち上げても，エージェントからの要求を受け付けなかったのである．この障害は，LibreOfficeのバージョンが上がることで，多少はエラーが出るものの，すぐに自然消滅した．

せっかくだから，今回はこれにチャレンジしてみる．もし，日本語文字コードで障害が生じ知れば，abiwordやssconvertで解決することにする．

さらに最終盤では，インデックスを作成するための「クロール」を作成して cron として仕掛け，全体が終わるわけだ．

さて，デフォルトでインストールされている LibreOffice は 4.1.4.2-3 である．デフォルトでインストールされている　unoconv のバージョンは 0.6 であるが，これと整合がとれている．

しかし，その unoconv をテストしてみると，平文ファイルを出力はするのだが，かならず Segmentation Fault で終了する．ネットで検索してみると，一貫性のない対処方法が紹介されている．

LibreOffice の最新版は 4.4 であり，もはや LibreOffice へ追随していないコマンドであろう．なので今回は unoconv の採用をやめ，LibreOffice で平文への変換を行うことにする．

実行コマンドは，だいたい，次のようになろう．

日本語ファイル名が “お能の表面に貼る.xxx” だとすると，Word，PowerPoint，Excelの順に，

$ soffice --nologo  --headless  --convert-to “txt:Text (encoded):UTF8” “お能の表面に貼る.doc"
$ soffice --nologo  --headless  --convert-to “txt:impress8” “お能の表面に貼る.ppt”
$ soffice --nologo  --headless  --convert-to “txt:calc8” “お能の表面に貼る.xls”

オプションに変換プログラムを明示しなくても，勝手にそれらのプログラムを動作せるのだが，これを明記するのが望ましい．

出力が　txt といっても，実際にテストすると，リッチテキストだったりするので，Hyperestraier は検索大丈夫か？とは思うが，今の時点では，おそらく大丈夫だろうと，仮定しておく*1．

なお，LibreOffice 4.4 を既存のLIbreOfficeへ上書きインストールできないことがわかかった．なぜなら，ファイル名からして違うのである．

例えば既存の LibreOffice　は次のようにしてリストを見ることができる．

$ yum list installed libreoffice*

この時既に 4.4 をインストールしていれば，両者ともにリスト出力される．旧い方の 4.1.1.2 では，

$ rpm -e `rpm -qa | sort | grep -i libreoffice-*`

一方で LibreOffice 4.4 は，

$ rpm -qa | sort | grep -i libreoffice4.4-*
libreoffice4.4-4.4.1.2-2.x86_64
libreoffice4.4-base-4.4.1.2-2.x86_64
libreoffice4.4-calc-4.4.1.2-2.x86_64
libreoffice4.4-dict-en-4.4.1.2-2.x86_64
libreoffice4.4-dict-es-4.4.1.2-2.x86_64
libreoffice4.4-dict-fr-4.4.1.2-2.x86_64
libreoffice4.4-draw-4.4.1.2-2.x86_64
libreoffice4.4-en-US-4.4.1.2-2.x86_64
libreoffice4.4-freedesktop-menus-4.4.1-2.noarch
libreoffice4.4-impress-4.4.1.2-2.x86_64
libreoffice4.4-ja-4.4.1.2-2.x86_64
libreoffice4.4-math-4.4.1.2-2.x86_64
libreoffice4.4-ure-4.4.1.2-2.x86_64
libreoffice4.4-writer-4.4.1.2-2.x86_64

古いバージョンを消し去りたければ，

$ yum remove libreoffice-*

ともう一つ，

$ yum remove libreoffice-*.noarch

LibreOffice 4.4 アーカイブ・ファイルをダウンロードして解凍すると，その中に install コマンドが入っている．これを rpm ファイルを使ってインストールすれば良い．なんとインストール先も選択できるが，まずはオプションを確認する．

$ ./install 
Usage: ./install [-a,--add] [-l,--link] [-U,--update] [-h,--help] <rpm-source-dir> <office-installation-dir>
Example: ./install . ~/libreoffice

インストール先を ~/libreoffice とすると，そこには　opt ディレクトリが作成され，更にその下へ libreoffice が作成されていく．

平文へのフォーマット変換は cron で定時起動であり，コマンド名をその起動ファイルへ明記すれば良いので，これでも問題ない．

コマンド名称が例えば　libreoffice ではなくて，libreoffice4.4 になったりするのが注意点である．

なお，LibreOfficeをサーバーとして起動させておく案は，デーモンとして働く soffice.bin にまつわるトラブルが今でも多そうなので，今回も近寄らないことにした．Xvfbという，X Windows Systems のバーチャルフレームバッファについても，デーモンとして働かせる必要がない．

*1:無理でした．その一方でunoconvが改善されていたので（2015年6月現在），unoconvを利用する方針へ変更します．Xvfbも不要でした．