git.rot13.org Git - webpac/blob - openisis/any2txt

   1 #!/bin/bash
   2 #/*
   3 #       openisis - an open implementation of the CDS/ISIS database
   4 #       Version 0.8.x (patchlevel see file Version)
   5 #       Copyright (C) 2001-2003 by Erik Grziwotz, erik@openisis.org
   6 #
   7 #       This library is free software; you can redistribute it and/or
   8 #       modify it under the terms of the GNU Lesser General Public
   9 #       License as published by the Free Software Foundation; either
  10 #       version 2.1 of the License, or (at your option) any later version.
  11 #
  12 #       This library is distributed in the hope that it will be useful,
  13 #       but WITHOUT ANY WARRANTY; without even the implied warranty of
  14 #       MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  15 #       Lesser General Public License for more details.
  16 #
  17 #       You should have received a copy of the GNU Lesser General Public
  18 #       License along with this library; if not, write to the Free Software
  19 #       Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307  USA
  20 #
  21 #       see README for more information
  22 #EOH */
  23 #
  24 #
  25 CVSID='$Id: any2txt,v 1.4 2003/04/08 00:20:52 kripke Exp $'
  26 #
  27 #       utility to convert several document types to text
  28 #       used for mail archiving
  29 #       similar to anytopnm
  30 #
  31
  32 # assumptions:
  33 # filename is a name of the file in the current directory
  34 #       we are allowed to use any filename.*
  35 #
  36
  37 #       return code:
  38 # the lowest valued bit denotes that there is a plain version in filename.txt
  39 #
  40 #       0 file was fine text and is unmodified
  41 #       1       file was sort of (non-iso,long-lined) text, plain version is filename.txt
  42 #       2       file was formatted html text
  43 #       3       file was formatted html text, plain version is filename.txt
  44 #       4,5 likewise for pdf
  45 #       6,7 likewise for rtf
  46 #       8,9 likewise for doc (M$-w0rd)
  47 #       16,17   file was mail text
  48 #       32      gif image
  49 #       34      jpg image
  50 #       36      bmp image
  51 #       38      png image
  52 #       40      tiff image
  53 #       46      other image
  54 #       ??      other
  55 #       124     unknown
  56 #       126     error
  57 #
  58
  59 verbose=false
  60
  61 err () {
  62         echo "$*" >&2
  63         exit 126
  64 }
  65
  66 dewindoofy () {
  67         tr '\200-\237' 'E?,f".+#^%S<Ö?Z??'\'\''""*--"Ts>ö?zY'
  68 }
  69
  70 echo "any2txt $* ($PWD)" >&2
  71
  72 while [ 1 -lt $# ]; do # shift options
  73         case "$1" in
  74         -v)     verbose=true;;
  75         -m)     mtype="$2"; shift;;
  76         esac
  77         shift
  78 done
  79
  80 # if $verbose; then
  81 #       :
  82 #else
  83         #       no output expected; so any output is error
  84         exec >&2
  85 #fi
  86
  87 filename="$1"
  88 [ -f "$filename" -a -r "$filename" ] || err "'$filename' not readable"
  89
  90 ftype="$(file -b "$filename")"
  91
  92 code=124
  93 case "$ftype" in
  94 *"mail text"*)
  95         sed -e '1,/^$/d' <"$filename" >"$filename".txt
  96         code=17
  97         ;;
  98 *HTML*) # maybe ASCII or ISO-8859 HTML document text, so check before ASCII
  99         code=2
 100         lynx -dump -force_html -nolog "$filename" >"$filename".txt && code=3
 101         ;;
 102 *"Non-ISO extended-ASCII"*"long lines") # assume windows stuff
 103         dewindoofy <"$filename" | fmt -s >"$filename".txt
 104         code=1
 105         ;;
 106 *"Non-ISO extended-ASCII"*) # assume windows stuff
 107         dewindoofy <"$filename" >"$filename".txt
 108         code=1
 109         ;;
 110 ASCII*text*"long lines"|ISO-8859*text*"long lines")
 111         fmt -s <"$filename" >"$filename".txt
 112         code=1
 113         ;;
 114 ASCII*text*|ISO-8859*text*)
 115         code=0
 116         ;;
 117 PDF*)
 118         code=4
 119         pdftotext -raw "$filename" - >"$filename".txt && code=5
 120         ;;
 121 "Rich Text Format"*)
 122         code=6
 123         unrtf --nopict --html "$filename" | lynx -dump -force_html -nolist /proc/self/fd/0 >"$filename".txt && code=7
 124         ;;
 125 "Microsoft Office Document"*)
 126         code=8
 127         antiword "$filename" >"$filename".txt && code=9
 128         ;;
 129 *"GIF image"*) code=32;;
 130 *"JPEG image"*) code=34;;
 131 *"PC bitmap"*) code=36;;
 132 *"PNG image"*) code=38;;
 133 *"TIFF image"*) code=40;;
 134 *image*) code=46;;
 135 esac
 136
 137 $verbose && echo "$filename: $ftype: $code" >&2
 138
 139 exit $code