RTF naar ODT omzetten

RTF is ontworpen om een opgemaakt document van het ene programma naar het andere te verplaatsen, en daar is het erg goed in. Het is nooit bedoeld als het formaat waarin een document twee weken lang bewerkt wordt, en het verschil is makkelijk te missen: elke keer dat je opslaat, serialiseert Writer het hele document door het RTF-filter en bouwt het bij het volgende openen weer op uit die tekst.

Alles waar het filter geen representatie voor heeft, wordt op dat moment benaderd of weggegooid. Sommige veldtypes, bepaalde sectie- en frame-eigenschappen, specifieke lijstconfiguraties en de fijnere delen van het stijlmodel hebben geen RTF-equivalent, en het verlies is stil omdat het document op het scherm nog steeds het document lijkt. Eén rondje is meestal onzichtbaar. Twintig, op een bestand dat dagelijks bewerkt wordt door een vertaler of redacteur, niet.

Het patroon heeft steeds dezelfde vorm: een programma stroomopwaarts dat RTF uitstoot, en een persoon stroomafwaarts die erin moet werken in LibreOffice. Vertaalbureaus sturen bronbestanden als RTF omdat elke CAT-tool en elke klant het kan lezen. Transcriptie- en dictatieplatforms leveren concepten als RTF. Kleine uitgevers accepteren inzendingen erin omdat het is wat een auteur op elke machine kan produceren. Kwalitatieve onderzoekstools exporteren gecodeerde documenten ernaar.

Geen van die afzenders gaat veranderen, en dat zou ook niet moeten — RTF is precies daarom de juiste keuze voor de overdracht: het is het formaat dat niemand kan mislukken te openen. De fout is het overdrachtformaat als werkformaat te behandelen. Zet om bij aankomst, werk in ODT, en exporteer aan het eind terug naar wat de klant wil. Dat is één omzetting bij elke grens in plaats van één bij elke keer opslaan.

Een RTF is tekens. Open er een in een teksteditor en de tekst staat er gewoon, omringd door achterslash-voorafgegane besturingswoorden voor de lettertypetabel, de kleurtabel, het stijlblad en de opmaak van elk stukje. Het is uitgebreid, volledig afdrukbaar, met de hand repareerbaar, en door niets gevalideerd — een bestand dat een beetje verkeerd is, opent meestal ook, een beetje verkeerd.

Een ODT is een ZIP-archief met XML: `content.xml` voor de tekst, `styles.xml` voor de stijlen, een manifest, en de afbeeldingen als echte bestanden in een map. Het register markeert het als een container met een ISO-standaard erachter en vermeldt LibreOffice Writer, Microsoft Word en Google Docs als software die het leest. Je kunt er een uitpakken en grep’en door de XML, wat een echt nuttige eigenschap is als een document is misgegaan of als honderd van hen dezelfde vervanging nodig hebben.

Twee samenwerkende redenen. Eerst de ZIP: de XML in een ODT wordt gedeflate voor hij op schijf komt, en XML comprimeert extreem goed omdat het voortdurend zijn eigen tagnamen herhaalt. RTF heeft helemaal geen compressie en slaat elk besturingswoord letterlijk op.

Ten tweede afbeeldingen. Een RTF schrijft een ingebedde afbeelding als hexadecimale tekst — ongeveer twee tekens per byte beeld — terwijl een ODT het originele beeldbestand ongewijzigd in het archief bewaart. Een document met een half dozijn schermafbeeldingen kan in rich text een orde van grootte groter zijn dan in OpenDocument. Leek de RTF die je kreeg onwaarschijnlijk groot voor een brief van twaalf pagina’s, dan is dat waarom, en de omzetting lost het op zonder dat iemand er nog aan hoeft te denken.

RTF heeft wel degelijk stijlen, meer dan de leeftijd doet vermoeden en de reden dat deze omzetting zo goed werkt: benoemde alineastijlen, koppen, tekenstijlen, lettertypes, groottes en spatiëring worden op hun OpenDocument-tegenhangers gemapt in plaats van platgeslagen tot directe opmaak. Tabellen houden hun cellen, randen en samenvoegingen; lijsten houden hun nummering; koptekst, voettekst, voetnoten, hyperlinks, bladwijzers en pagina-instelling hebben allemaal een representatie aan beide kanten.

Wat OpenDocument toevoegt is diepte waar het oudere formaat nergens plek voor heeft. Pagina-stijlen zijn eersteklas objecten in plaats van sectie-eigenschappen, lijststijlen worden eenmaal gedefinieerd en hergebruikt, en de scheiding tussen `content.xml` en `styles.xml` betekent dat het uiterlijk van een document volledig vervangen kan worden zonder een woord van de tekst aan te raken. Voor wie een stapel binnenkomende documenten wil herstijlen naar een huisontwerp, is die scheiding het hele argument om eerst om te zetten.

Een RTF declareert een tekenset en escapet alles buiten gewone ASCII daartegen. Dat was redelijk in 1987 en is nu een blijvende bron van verminkte tekst, want een bestand geschreven door een oud programma op een machine met andere regio-instellingen kan een codepage noemen die niet overeenkomt met wat het bestand daadwerkelijk bevat. Namen met accenten, Midden-Europese tekens, gekrulde aanhalingstekens en streepjes zijn waar het opvalt.

Een omzetting kan het niet repareren, en dat weten scheelt een middag. Toont de RTF de tekst al verkeerd in Writer, dan zijn de tekens in het bestand verkeerd en zal de ODT dezelfde verkeerde tekens getrouw overnemen. OpenDocument is doorgaand Unicode, dus zodra de tekst klopt blijft hij kloppen — wat betekent dat de juiste zet is de betreffende tekst eenmalig te repareren, meteen na het omzetten, in plaats van aan het eind van het project als hij al in drie andere documenten is gekopieerd.

Werken in ODT verplicht je niet om er ook een te leveren. Writer exporteert naar DOCX, naar RTF, naar PDF en terug naar platte tekst, en het register vermeldt Microsoft Word tussen de programma’s die OpenDocument rechtstreeks lezen, dus zelfs de ODT zelf sturen is een verdedigbare keuze bij de meeste klanten. Het punt van omzetten is de export een enkele bewuste handeling te maken aan het eind in plaats van een ongeluk dat elke keer gebeurt als je Ctrl+S indrukt.

Moet het eindresultaat RTF zijn — omdat de tooling van het bureau dat wil, of het systeem van de klant — exporteer dan eenmalig naar RTF, vanuit de voltooide ODT, en controleer het resultaat voor je het verstuurt. Eén rondje door het filter verliest heel weinig en het is een rondje dat je zelf kiest. Bewaar de ODT als mastercopy, want dat is het bestand dat nog alles bevat, en behandel de geëxporteerde RTF zoals je een PDF zou behandelen: een uitvoer, niet het document.

Op onze server in plaats van in je browser. Omzetten tussen twee tekstverwerkingsformaten heeft een echte kantoormotor nodig, en deze pagina zegt dat gewoon in plaats van te suggereren dat alles op deze site lokaal draait. Het bestand reist via een versleutelde verbinding naar een container met LibreOffice headless, en die container heeft zelf geen uitgaande internettoegang.

Elke taak krijgt zijn eigen scratchmap en zijn eigen LibreOffice-profiel — twee soffice-processen die een profiel delen corrumperen het, en het symptoom is een omzetting die nooit terugkomt in plaats van een foutmelding — en de map wordt verwijderd zodra de taak eindigt, wat de uitkomst ook was. Alles dat na zestig seconden nog draait wordt beëindigd. De gratis laag accepteert 25 MB per geüpload bestand, wat voor een RTF minder document is dan het klinkt, want het formaat is zoveel groter dan wat het bevat.

Controleer de stijlenlijst voor je de tekst controleert. Kwam het document binnen met een verstandige set benoemde stijlen, dan heb je het goede geval en is alles verderop makkelijk; kwam het binnen als één stijl met veel directe opmaak, dan gebruikte het originele programma nooit stijlen en kan geen omzetting die uitvinden. Weten welke van de twee je hebt, bepaalt of herstijlen een menukeuze is of een klus.

Bekijk dan de drie plekken die het risico dragen: tabellen met samengevoegde cellen, meerlagige lijstnummering, en het punt waar een lang document tussen pagina’s breekt. Is het bestand een van een batch uit dezelfde bron, dan vertelt één zorgvuldig gecontroleerd document bijna alles over de rest, want de fouten komen uit de gewoonten van het opstellende programma en niet uit het document zelf. Bewaar de originele RTF tot het eerste document één keer je hele proces heeft doorlopen — het is het enige bewijs van wat de afzender daadwerkelijk produceerde.