http://linux.die.net/man/1/unoconv

что такой вещи не существует. Есть только отвеченные и неотвеченные. Этот довольно без ответа, или наполовину ответили, если хотите. Что ж, способы чтения документов * .docx (MS Word 2007 и более поздних версий) без использования COM-взаимодействия рассматриваются. Но методы извлечения текста из * .doc (MS Word 97-2000), использующие только Python, отсутствуют. Это сложно? Чтобы сделать: не совсем, чтобы понять: хорошо, что 'Это другая вещь.

Когда я неЧтобы найти какой-либо готовый код, я прочитал некоторые спецификации формата и выкопал некоторые предложенные алгоритмы на других языках.

Файл MS Word (* .doc) является составным файлом OLE2. Чтобы не беспокоить вас множеством ненужных подробностей, думайте об этом как о файловой системе, хранящейся в файле. На самом деле используется структура FAT, поэтому определение верно. (Хм, может быть, вы можете смонтировать его в Linux ???) Таким образом, вы можете хранить больше файлов в файле, например, изображения и т. Д. То же самое можно сделать в * .docx, используя вместо этого ZIP-архив. В PyPI есть пакеты, которые могут читать файлы OLE. Как (olefile, componentfiles, ...) я использовал пакет componentfiles, чтобы открыть файл * .doc. Однако в MS Word 97-2000 внутренние подфайлы - это не XML или HTML, а двоичные файлы. И поскольку этого недостаточно, каждый содержит информацию о другом, так что вам нужно прочитать по крайней мере два из них и соответственно распознать сохраненную информацию. Чтобы полностью понять, прочитайте PDF документ, из которого я взял алгоритм.

Код ниже очень быстро составлен и протестирован на небольшом количестве файлов. Насколько я вижу, все работает как задумано. Иногда в начале появляется некоторая тарабарщина, и почти всегда в конце текста. И между ними могут быть какие-то странные символы.

Те из вас, кто просто хочет искать текст, будут счастливы. Тем не менее, я призываю всех, кто может помочь улучшить этот код, сделать это.

doc2text module:
"""
This is Python implementation of C# algorithm proposed in:
http://b2xtranslator.sourceforge.net/howtos/How_to_retrieve_text_from_a_binary_doc_file.pdf

Python implementation author is Dalen Bernaca.
Code needs refining and probably bug fixing!
As I am not a C# expert I would like some code rechecks by one.
Parts of which I am uncertain are:
    * Did the author of original algorithm used uint32 and int32 when unpacking correctly?
      I copied each occurence as in original algo.
    * Is the FIB length for MS Word 97 1472 bytes as in MS Word 2000, and would it make any difference if it is not?
    * Did I interpret each C# command correctly?
      I think I did!
"""

from compoundfiles import CompoundFileReader, CompoundFileError
from struct import unpack

__all__ = ["doc2text"]

def doc2text (path):
    text = u""
    cr = CompoundFileReader(path)
    # Load WordDocument stream:
    try:
        f = cr.open("WordDocument")
        doc = f.read()
        f.close()
    except: cr.close(); raise CompoundFileError, "The file is corrupted or it is not a Word document at all."
    # Extract file information block and piece table stream informations from it:
    fib = doc[:1472]
    fcClx  = unpack("L", fib[0x01a2l:0x01a6l])[0]
    lcbClx = unpack("L", fib[0x01a6l:0x01a6+4l])[0]
    tableFlag = unpack("L", fib[0x000al:0x000al+4l])[0] & 0x0200l == 0x0200l
    tableName = ("0Table", "1Table")[tableFlag]
    # Load piece table stream:
    try:
        f = cr.open(tableName)
        table = f.read()
        f.close()
    except: cr.close(); raise CompoundFileError, "The file is corrupt. '%s' piece table stream is missing." % tableName
    cr.close()
    # Find piece table inside a table stream:
    clx = table[fcClx:fcClx+lcbClx]
    pos = 0
    pieceTable = ""
    lcbPieceTable = 0
    while True:
        if clx[pos]=="\x02":
            # This is piece table, we store it:
            lcbPieceTable = unpack("l", clx[pos+1:pos+5])[0]
            pieceTable = clx[pos+5:pos+5+lcbPieceTable]
            break
        elif clx[pos]=="\x01":
            # This is beggining of some other substructure, we skip it:
            pos = pos+1+1+ord(clx[pos+1])
        else: break
    if not pieceTable: raise CompoundFileError, "The file is corrupt. Cannot locate a piece table."
    # Read info from pieceTable, about each piece and extract it from WordDocument stream:
    pieceCount = (lcbPieceTable-4)/12
    for x in xrange(pieceCount):
        cpStart = unpack("l", pieceTable[x*4:x*4+4])[0]
        cpEnd   = unpack("l", pieceTable[(x+1)*4:(x+1)*4+4])[0]
        ofsetDescriptor = ((pieceCount+1)*4)+(x*8)
        pieceDescriptor = pieceTable[ofsetDescriptor:ofsetDescriptor+8]
        fcValue = unpack("L", pieceDescriptor[2:6])[0]
        isANSII = (fcValue & 0x40000000) == 0x40000000
        fc      = fcValue & 0xbfffffff
        cb = cpEnd-cpStart
        enc = ("utf-16", "cp1252")[isANSII]
        cb = (cb*2, cb)[isANSII]
        text += doc[fc:fc+cb].decode(enc, "ignore")
    return "\n".join(text.splitlines())

Использоватьродной модуль Python docx, Вот'Как извлечь весь текст из документа:

document = docx.Document(filename)
docText = '\n\n'.join([
    paragraph.text.encode('utf-8') for paragraph in document.paragraphs
])
print docText

УвидетьСайт Python DocX

Также проверьтеTextract который вытаскивает столы и т. д.

Синтаксический анализ XML с помощью регулярных выражений вызывает cthulu. Дон»не делай этого!

что тыбудет много удачи без использования COM. Формат .doc до смешного сложен, и его часто называют "дамп памяти слова во время сохранения!

В Свати этоs в HTML, что хорошо и здорово, но большинство текстовых документов нетак мило!

БенжаминОтвет довольно хороший. Я только что консолидировал ...

docx = zipfile.ZipFile('/path/to/file/mydocument.docx')
content = docx.read('word/document.xml').decode('utf-8')
cleaned = re.sub('<(.|\n)*?>','',content)
print(cleaned)

Вы можете просто вызвать его из командной строки, чтобы преобразовать файл в текст, а затем загрузить текст в Python.

одпроцесса, вы можете использовать модуль Python zipfile.

content = ""
# Load DocX into zipfile
docx = zipfile.ZipFile('/home/whateverdocument.docx')
# Unpack zipfile
unpacked = docx.infolist()
# Find the /word/document.xml file in the package and assign it to variable
for item in unpacked:
    if item.orig_filename == 'word/document.xml':
        content = docx.read(item.orig_filename)

    else:
        pass

Ваша строка содержимого, однако, должна быть очищена, один из способов сделать это:

# Clean the content string from xml tags for better search
fullyclean = []
halfclean = content.split('<')
for item in halfclean:
    if '>' in item:
        bad_good = item.split('>')
        if bad_good[-1] != '':
            fullyclean.append(bad_good[-1])
        else:
            pass
    else:
        pass

# Assemble a new string with all pure content
content = " ".join(fullyclean)

Но, безусловно, есть более элегантный способ очистить строку, возможно, с помощью модуля re. Надеюсь это поможет.

включая файлы .docx, вы можете использоватьпитон-DOCX пакет:

from docx import Document
document = Document('existing-document-file.docx')
document.save('new-file-name.docx')

Чтобы прочитать файлы .doc из Word 2003 и более ранних версий, выполните вызов подпроцесса дляAntiword, Сначала вам нужно установить antiword:

sudo apt-get install antiword

Затем просто вызовите его из скрипта Python:

import os
input_word_file = "input_file.doc"
output_text_file = "output_file.txt"
os.system('antiword %s > %s' % (input_word_file, output_text_file))

посмотреть здесь.

Поскольку OOo может без проблем загружать большинство файлов MS Word, ясказал бы этоВаша лучшая ставка.

как работает формат doc а такжесоздать текстовый документ с использованием PHP в Linux, Первое особенно полезно.Abiword мой рекомендуемый инструмент. Естьограничения хоть:

Однако если документ содержит сложные таблицы, текстовые поля, встроенные электронные таблицы и т. Д., Он может работать не так, как ожидалось. Разработка хороших фильтров MS Word - очень сложный процесс, поэтому, пожалуйста, будьте терпеливы, когда мы работаем над тем, чтобы документы Word открывались правильно. Если у вас есть документ Word, который не загружается, откройте ошибку и включите документ, чтобы мы могли улучшить импортер.

этот вопрос также, но здесь это кажется уместным, поэтому, пожалуйста, извините за репост.)

Теперь, это довольно уродливо и довольно хакерски, но мне кажется, что это работает для базового извлечения текста. Очевидно, что для использования этого в программе Qt вы 'Я должен создать процесс для него и т. д., но командная строка I 'взломан вместе это:

unzip -p file.docx | grep '<w:t' |="" sed="" 's="" <[^<]*="">//g' | grep -v '^[[:space:]]*
Чтобы's:
распаковать -p файл.docx: -p == "распаковать на стандартный вывод "
grep '<ш: т»: Захватить только строки, содержащие '<w: t '(<ш: т> является элементом Word 2007 XML для "текст"насколько я могу судить)
седьс / <[^ <]>//г'*: Удалить все внутри тегов
grep -v '^ [[: Пространство:]] $»*: Убрать пустые строки
Вероятно, есть более эффективный способ сделать это, но мне кажется, что он работает для меня в нескольких документах, которые яЯ проверил это с.
Насколько я'На мой взгляд, у всех архивов, unzip, grep и sed есть порты для Windows и любого из Unix, поэтому он должен быть достаточно кроссплатформенным. Невзирая на то, чтобы быть немного уродливым хаком;)
</w:t'>

Чтобы's:

распаковать -p файл.docx: -p == "распаковать на стандартный вывод "

grep '<ш: т»: Захватить только строки, содержащие '<w: t '(<ш: т> является элементом Word 2007 XML для "текст"насколько я могу судить)

седьс / <[^ <]>//г'*: Удалить все внутри тегов

grep -v '^ [[: Пространство:]] $»*: Убрать пустые строки

Вероятно, есть более эффективный способ сделать это, но мне кажется, что он работает для меня в нескольких документах, которые яЯ проверил это с.

Насколько я'На мой взгляд, у всех архивов, unzip, grep и sed есть порты для Windows и любого из Unix, поэтому он должен быть достаточно кроссплатформенным. Невзирая на то, чтобы быть немного уродливым хаком;)

что это старый вопрос, но недавно я пытался найти способ извлечь текст из файлов MS Word, и лучшее решение, на мой взгляд, было с wvLib:

http://wvware.sourceforge.net/

После установки библиотеки использовать ее в Python довольно просто:

import commands

exe = 'wvText ' + word_file + ' ' + output_txt_file
out = commands.getoutput(exe)
exe = 'cat ' + output_txt_file
out = commands.getoutput(exe)

И этосидеть. В значительной степени, что мыОн использует функцию command.getouput для запуска нескольких сценариев оболочки, а именно, wvText (который извлекает текст из документа Word, и cat для чтения выходных данных файла). После этого весь текст из документа Word будет находиться в переменной out, готовой к использованию.

Надеюсь, это поможет любому, кто столкнется с подобными проблемами в будущем.

Miette, Должен работать на любой платформе.