MS-Word文書からテキストをささっと抜き出すシェルスクリプト

.docx文書や.odt文書のテキスト部分はZIPアーカイブ内のword/document.xmlやcontent.xmlに他ならない。それから不要な書式タグを取り、段落末タグを改行に置換すればプレーンテキストとなる。
.doc文書はしかたがないのでantiwordなど適当なものを呼び出している。
ただし、書式タグをことごとく消すので、ルビを親文字列の後ろに括弧も付けず書き出すなど、いろいろ不具合もあるのでご注意を。残したいタグは置換を工夫してください。

#!/bin/sh
#
# catdoc - .doc文書、.docx文書のテキストを標準出力へ
#

dext=${1##*.}

if [ $dext = docx ] ; then
        unzip -j "$1" word/document.xml > /dev/null
        sed     -e 's/<\/w:p>/\n/g' \
                -e 's/<w:tab\/>/        /g' \
                -e 's/<[^<]\+>//g' \
                -e 's/&lt;/</g' \
                -e 's/&gt;/>/g' \
                -e 's/&amp;/\&/g' \
                document.xml \
                | tr -d \\r
        rm document.xml
elif [ $dext = odt ] ; then
        unzip -j "$1" content.xml > /dev/null
        sed     -e 's/<\/w:p>/\n/g' \
                -e 's/<w:tab\/>/        /g' \
                -e 's/<[^<]\+>//g' \
                -e 's/&lt;/</g' \
                -e 's/&gt;/>/g' \
                -e 's/&amp;/\&/g' \
                content.xml
#               | tr -d \\r
        rm content.xml
elif [ $dext = doc ] ; then
        antiword -w0 "$1"
else
        echo "わーどちゃうし。"
fi