Одно время искал, не нашёл. Можно либо из docx удалить сам xml с метаданными (можно прямо в памяти через powershell), либо с помощью powershell загружать файл и работать с ним через библиотеки как предлагается здесь https://journeymblog.wordpress.com/2017/01/10/powershell-script-for-removing-personal-info-from-word-excel-and-powerpoint-docs

Пока разговор зашёл, не знает ли кто способа вытащить из вордовского файла содержание скриптом?

pandoc умеет конвертировать DOCX в reST, Markdown или AsciiDoc вместе с изображениями:

 pandoc -f docx --extract-media images -t rst -o document.rst document.docx 
pandoc -f docx --extract-media images -t markdown -o document.md document.docx
pandoc -f docx --extract-media images -t asciidoc -o document.adoc document.docx

Изображения будут в директории images. В любой разметке сразу будут правильные ссылки на них.

да )

Вот хотел toc написать, но решил писать по-русски). Table of contents мне нужно вытащить.

Хотя про изображения тоже полезная инфа - я до сих пор их получал разархивированием

Элементарно — выдёргиваете document.xml и парсите :)

pandoc конечно тоже выдернет оглавление

Вообще задача у меня вот какая. Есть документ в ворде. TOC в нем правильный, но у некоторых заголовок стиль Normal. При конвертации pandoc их как заголовки не распознает. Соответственно, структура в выходном документе не совпадает с оной в исходном. Есть мысли, что с этим можно сделать? Я пока думаю в направлении вытаскивать toc из исходника и сравнивать его с тем, что получилось, формируя сообщения об ошибках или отчеты.

а они отличаются форматированием от body text?

Да, отличаются. И нумерация у них есть.

ну если у вас на все документы одинаковый набор стилей, то парсите xml и нодам, где style != нужному ставите нужный атрибут…

Дело в том, что стилем Normal помечены заголовки разных уровней в рандомном порядке. Видимо, ворд формирует toc исходя из нумерации, а не стилей.

А у pandoc нет настройки, чтобы оставлять нумерацию заголовков?

в норме оглавление оформляется стилями Оглавление 1, Оглавление 2 и так далее

нумерация уровней у меня сохраняется по умолчанию

А во что конвертируете? Прямо цифры сохраняются или применяется форматирование, соответствующее уровню заголовка?

Исходники далеки от нормы. Там тысячи страниц и нужно по максимуму автоматизировать конвертацию.

Я сейчас для пробы сделал -f docx -t plain. Не о форматировании речь, а о нумерации.