Come posso contare le parole in documenti complessi (.rtf, .doc, .odt, ecc.)?

Question

Sto cercando di scrivere una funzione Python che, dato il percorso di un file di documento, restituisca il numero di parole in quel documento.Questo è abbastanza semplice da fare con i file .txt e ci sono strumenti che mi consentono di modificare insieme il supporto per alcuni formati di documenti più complessi, ma voglio una soluzione davvero completa.

Osservando l'interfaccia di scripting py-uno di OpenOffice.org e l'elenco dei formati supportati, sembrerebbe l'ideale caricare i documenti in un OOo senza testa e richiamare la sua funzione di conteggio delle parole.Tuttavia, non riesco a trovare tutorial py-uno o codice di esempio che vadano oltre la generazione di documenti di base e anche i frammenti di codice che ho trovato non sono aggiornati di mezzo decennio e non funzionano più.

Utilizzando o meno OOo e Uno, come posso ottenere un conteggio delle parole affidabile per documenti di vari formati?

Answer 1

caricare i documenti in un OOo headless e chiamalo funzione di conteggio delle parole

PyODConverter è uno script recente (11-2009) per utilizzare OOo per convertire più tipi di file.Osservando lo script, si nota che prevede il caricamento di base di tutti i documenti supportati da OOo.

Ecco come avviare OOo come servizio headless:

soffice -headless -accept="socket,host=127.0.0.1,port=8100;urp;" -nofirststartwizard

Quindi devi solo scrivere un piccolo bootstrapper che richiama OOo dalla riga di comando, esegue lo script e quindi chiude OOo.

---

Answer 2

Questo potrebbe non essere l'opzione per voi, ma nel caso in cui si tratta - è possibile caricare i documenti da Google Docs e quindi esportare in formato txt. Google di solito fa lavoro molto bello per la conversione.

Si possono trovare le API rilevanti qui: http: //code.google.com/intl/pl/apis/documents/docs/1.0/developers_guide_python.html

Date un'occhiata al login, Caricamento ed esportazione sezioni.