Convertir un .docx en .pdf avec pandoc

J'essaie de convertir un .docx reçu par mail en un pdf correct en utilisant pandoc (j'utilise GNU / Linux).

J'ai une erreur concernant l'encodage des caractères:

$ pandoc file.docx -o file.pdf
pandoc: Cannot decode byte '\x87': Data.Text.Encoding.decodeUtf8: Invalid UTF-8 stream

J'ai essayé d'identifier l'encodage:

$ file -i file .docx 
file.docx: application/vnd.openxmlformats-officedocument.wordprocessingml.document; charset=binary

Je suis un peu surpris par charset=binary(je m'y attendais charset=iso8859-15). Cependant, j'ai quand même essayé de convertir le .docx en utf8 et cela ne fonctionne pas:

 $ iconv -t utf-8 file.docx
P!      $iconv: séquence d'échappement non permise à la position 16

J'ai la même erreur avec la ligne de commande de la documentation pandoc :

iconv -t utf-8 file.docx | pandoc | iconv -f utf-8

Comment puis-je convertir ce .docx en pdf avec pandoc?

Dans la documentation ici , .docxn'est pas répertorié comme une entrée compatible :

Pandoc est une bibliothèque Haskell pour la conversion d'un format de balisage à un autre, et un outil en ligne de commande qui utilise cette bibliothèque. Il peut lire le balisage et (sous-ensembles de) Textile, reStructuredText, HTML, LaTeX, balisage MediaWiki, balisage Haddock, OPML et DocBook; et il peut écrire du texte brut, du markdown, du reStructuredText, du XHTML, du HTML 5, du LaTeX (y compris des diaporamas avec beamer), du ConTeXt, du RTF, de l'OPML, du DocBook, de l'OpenDocument, de l'ODT, du Word docx, du GNU Texinfo, du balisage MediaWiki, de l'EPUB (v2 ou v3) ), FictionBook2, Textile, pages de manuel groff, Emacs Org-Mode, AsciiDoc et Slidy, Slideous, DZSlides, révèlent.js ou S5 diaporamas HTML. Il peut également produire une sortie PDF sur les systèmes sur lesquels LaTeX est installé.

Essayez autre chose, comme Libreoffice - qui peut faire du docx, aussi longtemps que cela ne vous dérange pas quelques erreurs de formatage.

ÉDITER:

La description indique maintenant que Pandoc semble désormais prendre en charge la lecture à partir de Word DOCX (ainsi que DocBook et quelques autres formats):

Pandoc est une bibliothèque Haskell pour la conversion d'un format de balisage à un autre, et un outil en ligne de commande qui utilise cette bibliothèque. Il peut lire le balisage et les (sous-ensembles de) Textile, reStructuredText, HTML, LaTeX, balisage MediaWiki, balisage TWiki, balisage Haddock, OPML, Emacs Org-mode, DocBook, txt2tags, EPUB et Word docx ; et il peut écriretexte brut, démarquage, reStructuredText, XHTML, HTML 5, LaTeX (y compris les diaporamas de projection), ConTeXt, RTF, OPML, DocBook, OpenDocument, ODT, Word docx, GNU Texinfo, balisage MediaWiki, balisage DokuWiki, balisage Haddock, EPUB (v2 ou v3), FictionBook2, Textile, pages de manuel groff, Emacs Org-Mode, AsciiDoc, InDesign ICML et Slidy, Slideous, DZSlides, révèlent.js ou S5 HTML. Il peut également produire une sortie PDF sur les systèmes sur lesquels LaTeX est installé.

Comme l'a suggéré @evilsoup, cela pourrait fonctionner:

cd /DIRECTORY/WITH/FILE/IN && libreoffice --headless --convert-to html 'FILE.docx' && pandoc 'FILE.html' -o 'FILE.pdf'

_{Oui, vous pouvez utiliser la commande libreoffice avec --outdir, mais la sortie html ne fonctionne pas toujours de cette façon ...}

J'ai fait un test rapide, et cela a semblé fonctionner, à part le crash de Pandoc en raison d'une image gif dans le document

Cela revient toujours sur les recherches Google, donc je voulais mettre cela au compte rendu: pandoc n'a pas pu lire docx lorsque cette question a été posée (l'erreur vient d'essayer de lire un fichier binaire) mais depuis la version 1.13, il le peut, et il fait un assez bon travail.