从python中的MS word文件中提取文本

时间:2008-09-24 03:15:14

标签: python linux ms-word

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?

15 个答案:

答案 0 :(得分:30)

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 site

同时查看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!

答案 1 :(得分:20)

您可以对antiword进行子进程调用。 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。

答案 2 :(得分:13)

benjamin的答案非常好。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)

答案 3 :(得分:11)

OpenOffice.org可以使用Python编写脚本:see here

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。

答案 4 :(得分:5)

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。

答案 5 :(得分:4)

查看how the doc format workscreate word document using PHP in linux。前者特别有用。 Abiword是我推荐的工具。但有limitations

  

但是,如果文档包含复杂的表格,文本框,嵌入的电子表格等,则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,因此我们要努力让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,以便我们可以改进导入程序。

答案 6 :(得分:4)

(注意:我也在this question上发布了此内容,但此处似乎相关,请原谅重新发布。)

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 ==“解压缩到stdout”

grep'&lt; w:t':抓住包含'&lt; w:t'的行(&lt; w:t&gt;是“text”的Word 2007 XML元素,如据我所知)

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;)

答案 7 :(得分:4)

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。

答案 8 :(得分:3)

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,在保存时通常称为Word的“内存转储”!

在Swati,这是用HTML编写的,这很好用,但大多数word文档都不太好!

答案 9 :(得分:3)

Unoconv也可能是一个不错的选择:http://linux.die.net/man/1/unoconv

答案 10 :(得分:3)

如果安装了LibreOffice,you can simply call it from the command line to convert the file to text,则将文本加载到Python中。

答案 11 :(得分:3)

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进行子进程调用。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))

答案 12 :(得分:2)

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())

答案 13 :(得分:1)

只需选择即可在不使用COM的情况下阅读'doc'文件:miette。应该适用于任何平台。

答案 14 :(得分:0)

Aspose.Words Cloud SDK for Python 是一种独立于平台的解决方案,可将 MS Word/Open Office 文件转换为文本。这是一款商业产品,但免费试用计划提供每月 150 次 API 调用。

P.S:我是 Aspose 的开发人员布道者。

# 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)