从python中的MS word文件中提取文本
https://stackoverflow.com/questions/125222
italiano
english
français
española
中国
日本の
العربية
Deutsch
한국어
Português
Russian题
在python中使用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？ 有没有图书馆？
解决方案
您可以对反词进行子流程调用。 Antiword是一个linux命令行实用程序，用于从单词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，也可以作为RPM，或者你可以自己编译。
其他提示
使用原生Python docx模块。以下是如何从doc中提取所有文本：
document = docx.Document(filename)
docText = '\n\n'.join([
paragraph.text.encode('utf-8') for paragraph in document.paragraphs
])
print docText
请参阅 Python DocX网站
另请查看 Textract ，其中提取表等。
使用正则表达式解析XML会调用cthulu。不要这样做！
本杰明的回答非常好。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)
OpenOffice.org可以用Python编写脚本：见这里。
由于OOo可以完美地加载大多数MS Word文件，我认为这是你最好的选择。
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。实际上，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，以及cat来读取文件输出）。之后，Word文档中的整个文本将出现在out变量中，随时可以使用。
希望这将有助于将来遇到类似问题的任何人。
（注意：我是在上发布的这个问题，但这似乎与此相关，所以请原谅转发。）
现在，这非常丑陋且非常hacky，但它似乎对我来说是基本的文本提取。显然在Qt程序中使用它你必须为它生成一个进程等，但我一起攻击的命令行是：
unzip -p file.docx | grep '<w:t' | sed 's/<[^<]*>//g' | grep -v '^[[:space:]]*$'
那就是：
unzip -p file.docx ： - p == <！> quot;解压缩到stdout <！>“;
grep'<！> lt; w：t'：抓住包含'<！> lt; w：t'的行（<！> lt; w：t <！> gt ;是<！> quot; text <！>“的Word 2007 XML元素，据我所知）
sed's / <！> lt; [^ <！> lt;] <！> gt; // g'*：删除标签内的所有内容
grep -v'^ [[：space：]] $'*：删除空行
这可能是一种更有效的方法，但它似乎对我使用的几个文档起作用。
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。鄙视是一个丑陋的黑客;）
如果您打算在不调用子进程的情况下使用纯python模块，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
然而，您的内容字符串需要清理，其中一种方法是：
# 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。 希望这会有所帮助。
Unoconv也可能是一个不错的选择： http://linux.die.net/man/ 1 / unoconv
如果您安装了LibreOffice，您只需从命令行调用它即可将文件转换为文本，然后将文本加载到Python中。
我不确定你是否会在没有使用COM的情况下获得太多运气。 .doc格式非常复杂，通常称为<！>“内存转储<！>”;在保存时的Word！
在Swati，这是用HTML编写的，这很好用，但大多数word文档都不太好！
要阅读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及更早版本中读取.doc文件，请对 antiword 进行子流程调用。您需要先安装反词：
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))
这是一个老问题吗？ 我相信这样的事情不存在。 只有答案和未答复的答案。 如果你愿意的话，这个是没有答案的，或者半答案。 那么，不使用COM互操作读取* .docx（MS Word 2007及更高版本）文档的方法都包括在内。 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，并用其他语言挖出了一些提议的算法。
MS Word（* .doc）文件是OLE2复合文件。 不要用很多不必要的细节打扰你，把它想象成存储在文件中的文件系统。它实际上使用FAT结构，因此定义成立。 （嗯，也许你可以在Linux上循环安装它???） 通过这种方式，您可以在文件中存储更多文件，如图片等。 通过使用ZIP存档，在* .docx中也是如此。 PyPI上有可用于读取OLE文件的包。喜欢（olefile，compoundfiles，...） 我使用了compoundfiles包来打开* .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，每个都包含有关其他信息的信息，因此您必须至少读取其中的两个并相应地解析存储的信息。 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测试了少量文件。 据我所见，它按预期工作。 有时一些乱码出现在开头，几乎总是出现在文本的末尾。 并且中间也可能存在一些奇怪的字符。
那些只想搜索文字的人会很高兴。 尽管如此，我仍然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())
只需选择不使用COM即可阅读'doc'文件： miette 。应该适用于任何平台。
