Melhor maneira de extrair texto de um documento do Word sem usar COM/automação?

Question

Existe uma maneira razoável de extrair texto simples de um arquivo do Word que não depende da automação COM?(Este é um recurso para um aplicativo Web implantado em uma plataforma não Windows - isso não é negociável neste caso.)

O Antiword parece ser uma opção razoável, mas parece que pode ser abandonado.

Uma solução Python seria ideal, mas não parece estar disponível.

Answer 1

Eu uso catdoc ou antiword para isso, o que der o resultado mais fácil de analisar.Eu incorporei isso em funções python, por isso é fácil de usar no sistema de análise (que está escrito em python).

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()

A opção -w para catdoc desativa a quebra de linha, aliás.

Answer 2

(Mesma resposta que extraindo texto de arquivos MS Word em python)

Use o módulo docx nativo do Python que fiz esta semana.Veja como extrair todo o texto de um documento:

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)

Ver Site Python DocX

100% Python, sem COM, sem .net, sem Java, sem análise de XML serializado com regexs, sem porcaria.

Answer 3

Se tudo o que você deseja fazer é extrair texto de arquivos Word (.docx), só é possível fazer isso com Python.Como Guy Starbuck escreveu, você só precisa descompactar o arquivo e analisar o XML.Inspirado por python-docx, eu escrevi um função simples para fazer isso:

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)

Answer 4

Usando a API OpenOffice e Python, e Excelente livro macro online de Andrew Pitonyak Eu consegui fazer isso.A Seção 7.16.4 é o lugar para começar.

Outra dica para fazer funcionar sem precisar da tela é usar a propriedade Hidden:

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

Caso contrário, o documento aparecerá na tela (provavelmente no console do servidor web) quando você o abrir.

Answer 5

O Open Office tem um API

Answer 6

Para arquivos docx, verifique o script Python docx2txt disponível em

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

para extrair o texto simples de um documento docx.

Answer 7

tika-python

Uma porta Python da biblioteca Apache Tika. De acordo com a documentação, o Apache tika suporta extração de texto de mais de 1.500 formatos de arquivo.

Observação: Também funciona encantadoramente com pyinstaller

Instale com pip:

pip install tika

Amostra:

#!/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

Link para oficial GitHub

Answer 8

Isso funcionou bem para .doc e .odt.

Ele chama o openoffice na linha de comando para converter seu arquivo em texto, que você pode simplesmente carregar em python.

(Parece ter outras opções de formato, embora não estejam aparentemente documentadas.)