在不使用 COM/自动化的情况下从 Word 文档中提取文本的最佳方法？

StackOverflow https://stackoverflow.com/questions/42482

  •  09-06-2019
  •  | 
  •  

题

有没有一种合理的方法可以从不依赖于 COM 自动化的 Word 文件中提取纯文本？（这是部署在非 Windows 平台上的 Web 应用程序的一项功能 - 在这种情况下这是不可协商的。）

Antiword 似乎是一个合理的选择，但似乎可能会被放弃。

Python 解决方案是理想的，但似乎不可用。

有帮助吗？

解决方案

我为此使用 catdoc 或 antiword，无论给出的结果是最容易解析的。我已将其嵌入到 python 函数中，因此很容易从解析系统（用 python 编写）使用它。

import os

def doc_to_text_catdoc(filename):
    (fi, fo, fe) = os.popen3('catdoc -w "%s"' % filename)
    fi.close()
    retval = fo.read()
    erroroutput = fe.read()
    fo.close()
    fe.close()
    if not erroroutput:
        return retval
    else:
        raise OSError("Executing the command caused an error: %s" % erroroutput)

# similar doc_to_text_antiword()

顺便说一句，catdoc 的 -w 开关会关闭换行。

其他提示

（与以下答案相同 在Python中从MS Word文件中提取文本)

使用我本周制作的原生 Python docx 模块。以下是从文档中提取所有文本的方法：

document = opendocx('Hello world.docx')

# This location is where most document content lives 
docbody = document.xpath('/w:document/w:body', namespaces=wordnamespaces)[0]

# Extract all text
print getdocumenttext(document)

看 Python DocX 站点

100% Python，没有 COM，没有 .net，没有 Java，没有使用正则表达式解析序列化 XML，没有废话。

如果您只想从 Word 文件 (.docx) 中提取文本，则只能使用 Python 来完成。就像 Guy Starbuck 写的那样，您只需解压缩文件，然后解析 XML。灵感来自 python-docx, ，我写了一个 简单的功能 去做这个：

try:
    from xml.etree.cElementTree import XML
except ImportError:
    from xml.etree.ElementTree import XML
import zipfile


"""
Module that extract text from MS XML Word document (.docx).
(Inspired by python-docx <https://github.com/mikemaccana/python-docx>)
"""

WORD_NAMESPACE = '{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
PARA = WORD_NAMESPACE + 'p'
TEXT = WORD_NAMESPACE + 't'


def get_docx_text(path):
    """
    Take the path of a docx file as argument, return the text in unicode.
    """
    document = zipfile.ZipFile(path)
    xml_content = document.read('word/document.xml')
    document.close()
    tree = XML(xml_content)

    paragraphs = []
    for paragraph in tree.getiterator(PARA):
        texts = [node.text
                 for node in paragraph.getiterator(TEXT)
                 if node.text]
        if texts:
            paragraphs.append(''.join(texts))

    return '\n\n'.join(paragraphs)

使用 OpenOffice API 和 Python，以及 Andrew Pitonyak 的优秀在线宏观书籍 我设法做到了这一点。从第 7.16.4 节开始。

让它在不需要屏幕的情况下工作的另一个技巧是使用 Hidden 属性：

RO = PropertyValue('ReadOnly', 0, True, 0)
Hidden = PropertyValue('Hidden', 0, True, 0)
xDoc = desktop.loadComponentFromURL( docpath,"_blank", 0, (RO, Hidden,) )

否则，当您打开文档时，该文档会在屏幕上（可能在网络服务器控制台上）弹出。

开放式办公室有一个 应用程序编程接口

对于 docx 文件，请查看 Python 脚本 docx2txt，网址为

http://cobweb.ecn.purdue.edu/~kak/distMisc/docx2txt

用于从 docx 文档中提取纯文本。

提卡蟒蛇

Apache Tika 库的 Python 端口，根据文档，Apache tika 支持从 1500 多种文件格式中提取文本。

笔记： 它也可以与 py安装程序

使用 pip 安装：

pip install tika

样本：

#!/usr/bin/env python
from tika import parser
parsed = parser.from_file('/path/to/file')
print(parsed["metadata"]) #To get the meta data of the file
print(parsed["content"]) # To get the content of the file

官方链接 GitHub

这效果很好 对于 .doc 和 .odt。

它在命令行上调用 openoffice 将文件转换为文本，然后您可以简单地将其加载到 python 中。

（它似乎还有其他格式选项，尽管它们没有明显记录。）

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top