为了在 python 中处理 MS word 文件，有 python win32 扩展，可以在 windows 中使用。我如何在linux中做同样的事情？有图书馆吗？
问问题
63992 次
15 回答
32
使用本机 Python docx 模块。以下是如何从文档中提取所有文本：
document = docx.Document(filename)
docText = '\n\n'.join(
paragraph.text for paragraph in document.paragraphs
)
print(docText)
还可以查看提取表格等的Textract 。
使用正则表达式解析 XML 会调用 cthulu。不要这样做！
于 2009-12-30T12:17:09.493 回答
21
您可以对antiword进行子流程调用。Antiword 是一个 linux 命令行实用程序，用于从 word doc 中转储文本。适用于简单文档（显然它会丢失格式）。它可以通过 apt 获得，并且可能以 RPM 的形式提供，或者您可以自己编译。
于 2008-09-24T04:13:03.270 回答
17
本杰明的答案是一个很好的答案。我刚刚巩固了...
import zipfile, re
docx = zipfile.ZipFile('/path/to/file/mydocument.docx')
content = docx.read('word/document.xml').decode('utf-8')
cleaned = re.sub('<(.|\n)*?>','',content)
print(cleaned)
于 2009-12-28T03:39:54.190 回答
11
OpenOffice.org 可以使用 Python 编写脚本：请参见此处。
由于 OOo 可以完美地加载大多数 MS Word 文件，我认为这是您最好的选择。
于 2008-09-24T03:23:42.873 回答
6
我知道这是一个老问题，但我最近试图找到一种从 MS Word 文件中提取文本的方法，到目前为止我发现的最佳解决方案是使用 wvLib：
http://wvware.sourceforge.net/
安装库后，在 Python 中使用它非常简单：
import commands
exe = 'wvText ' + word_file + ' ' + output_txt_file
out = commands.getoutput(exe)
exe = 'cat ' + output_txt_file
out = commands.getoutput(exe)
就是这样。几乎，我们正在做的是使用 commands.getouput 函数来运行几个 shell 脚本，即 wvText（从 Word 文档中提取文本，并使用 cat 读取文件输出）。之后，Word 文档中的整个文本将在 out 变量中，可供使用。
希望这将有助于将来遇到类似问题的任何人。
于 2009-01-01T01:14:38.260 回答
4
看看doc 格式是如何工作的，并在 linux 中使用 PHP 创建 word 文档。前者特别有用。Abiword是我推荐的工具。但是有一些限制：
但是，如果文档包含复杂的表格、文本框、嵌入的电子表格等，那么它可能无法按预期工作。开发好的 MS Word 过滤器是一个非常困难的过程，所以请耐心等待我们努力让 Word 文档正确打开。如果您有一个无法加载的 Word 文档，请打开一个 Bug 并包含该文档，以便我们改进导入器。
于 2008-09-24T03:17:26.960 回答
4
（注意：我也在这个问题上发布了这个，但在这里似乎相关，所以请原谅转发。）
现在，这很丑陋而且很hacky，但它似乎对我来说适用于基本的文本提取。显然，要在 Qt 程序中使用它，您必须为其生成一个进程等，但我一起破解的命令行是：
unzip -p file.docx | grep '<w:t' | sed 's/<[^<]*>//g' | grep -v '^[[:space:]]*$'
所以那是：
unzip -p file.docx : -p == "解压到标准输出"
grep '<w:t'：仅抓取包含 '<w:t' 的行（据我所知，<w:t> 是“文本”的 Word 2007 XML 元素）
sed 's/<[^<] >//g'*：删除标签内的所有内容
grep -v '^[[:space:]] $'*: 删除空行
可能有一种更有效的方法可以做到这一点，但它似乎对我测试过的少数文档有用。
据我所知，unzip、grep 和 sed 都有适用于 Windows 和任何 Unix 的端口，所以它应该是合理的跨平台的。尽管有点丑陋的黑客;）
于 2009-08-11T05:38:51.560 回答
4
如果您打算使用纯 python 模块而不调用子进程，则可以使用 zipfile python modude。
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
但是，您的内容字符串需要清理，这样做的一种方法是：
# 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)
但是肯定有一种更优雅的方式来清理字符串，可能使用 re 模块。希望这可以帮助。
于 2009-11-12T16:18:16.963 回答
4
要读取 Word 2007 及更高版本的文件，包括 .docx 文件，您可以使用python-docx包：
from docx import Document
document = Document('existing-document-file.docx')
document.save('new-file-name.docx')
要从 Word 2003 及更早版本读取 .doc 文件，请对antiword进行子进程调用。你需要先安装antiword：
sudo apt-get install antiword
然后从你的 python 脚本中调用它：
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))
于 2016-08-03T18:17:37.073 回答
3
我不确定如果不使用 COM，您是否会很幸运。.doc 格式非常复杂，在保存时通常被称为 Word 的“内存转储”！
在 Swati，那是在 HTML 中，这很好而且很漂亮，但是大多数 word 文档不是那么好！
于 2008-09-24T03:19:53.460 回答
3
Unoconv 也可能是一个不错的选择：http ://linux.die.net/man/1/unoconv
于 2012-05-16T11:35:57.933 回答
3
如果您安装了 LibreOffice，您可以简单地从命令行调用它来将文件转换为 text，然后将文本加载到 Python 中。
于 2015-05-08T11:31:23.600 回答
2
这是一个老问题吗？我相信这样的事情是不存在的。只有回答的和未回答的。如果您愿意，这个问题几乎没有答案，或者回答了一半。好吧，不使用 COM 互操作读取 *.docx（MS Word 2007 及更高版本）文档的方法都已涵盖。但是，仅使用 Python 从 *.doc (MS Word 97-2000) 中提取文本的方法缺乏。这很复杂吗？要做：不是真的，要理解：嗯，那是另一回事。
当我没有找到任何完成的代码时，我阅读了一些格式规范并挖掘了一些其他语言的建议算法。
MS Word (*.doc) 文件是一个 OLE2 复合文件。不要用很多不必要的细节来打扰您，将其视为存储在文件中的文件系统。它实际上使用了FAT结构，所以定义成立。（嗯，也许您可以在 Linux 中循环挂载它？？？）这样，您可以在一个文件中存储更多文件，例如图片等。在 *.docx 中也可以使用 ZIP 存档代替。PyPI 上有可以读取 OLE 文件的包。像（olefile，compoundfiles，...）我使用 Compoundfiles 包打开 *.doc 文件。但是，在 MS Word 97-2000 中，内部子文件不是 XML 或 HTML，而是二进制文件。由于这还不够，每个都包含关于另一个的信息，因此您必须阅读其中至少两个并相应地解开存储的信息。要完全理解，请阅读我从中获取算法的 PDF 文档。
下面的代码非常仓促地编写并在少量文件上进行了测试。据我所知，它按预期工作。有时会在开头出现一些乱码，而且几乎总是在文本的结尾。中间也可能有一些奇怪的字符。
那些只想搜索文本的人会很高兴。尽管如此，我还是敦促任何可以帮助改进此代码的人这样做。
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())
于 2015-06-01T20:20:14.347 回答
1
只是一个不使用 COM 读取“doc”文件的选项：miette。应该在任何平台上工作。
于 2013-02-12T09:25:30.153 回答
-1
Aspose.Words Cloud SDK for Python是一个独立于平台的解决方案，用于将 MS Word/Open Office 文件转换为文本。它是一个商业产品，但免费试用计划提供每月 150 次 API 调用。
PS：我是 Aspose 的开发人员布道师。
# For complete examples and data files, please go to https://github.com/aspose-words-cloud/aspose-words-cloud-python
# Import module
import asposewordscloud
import asposewordscloud.models.requests
from shutil import copyfile
# Please get your Client ID and Secret from https://dashboard.aspose.cloud.
client_id='xxxxxxx-xxxx-xxxx-xxxxx-xxxxxxxxxx'
client_secret='xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx'
words_api = asposewordscloud.WordsApi(client_id,client_secret)
words_api.api_client.configuration.host='https://api.aspose.cloud'
filename = 'C:/Temp/02_pages.docx'
dest_name = 'C:/Temp/02_pages.txt'
#Convert RTF to text
request = asposewordscloud.models.requests.ConvertDocumentRequest(document=open(filename, 'rb'), format='txt')
result = words_api.convert_document(request)
copyfile(result, dest_name)
于 2021-01-11T16:27:22.480 回答