格式之谜

Question

f = open('file.txt')
print f.read()

那是非常直接的不是吗？这是有效的，因为python知道如何读取和写入.txt文件。这些格式如何运作？我希望构建一个python程序来阅读至少主要格式的文档（包括pdf），电子表格和演示文稿。

现在请不要告诉我，“继续使用PDFMiner！”; “使用IronPython阅读.doc！”。

我想了解自己，格式魔术是如何发生的。我想知道格式是如何工作的，这样我就可以构建自己的“任何格式阅读器”。我不想要解决方案来阅读各种格式。我想知道它背后的理论。

非常感谢任何指向此类资源的链接或有关阅读多种格式的帮助。

- 谢谢你

Answer 1

不，你完全误解了你的代码在做什么。 Python不“知道”如何读取.txt文件，因为这里没有“格式”。它只是打开一个普通文件并打印出它在那里找到的字节。

像PDF或DOC这样的东西完全不同。字节本身并不意味着什么：它们是相关应用程序理解的文件格式的表示。为了以理解它们包含的内容的方式“读取”它们，您需要构建一个与原始应用程序完全相同的解析器。这就是你所引用的那些库（尽管IronPython是.NET中的Python实现，与读取doc文件无关）。

Answer 2

读取.txt文件绝对没有魔法 - 它只是ASCII字节，打开和读取文件就是这样：读取字节。这是您可能找到的最简单的文件格式（因为没有格式）。 PDF是简单的纯文本可口可乐对蒸馏水的意义。

然而，PDF使用的格式非常复杂;阅读PDF文件只会让Python将其视为.txt文件。

所以我很遗憾地向您提供您不喜欢听到的旧回复：请继续使用PDFMiner，或阅读其源代码以了解他们如何阅读和解析PDF文件:)（或阅读PDF spec正如devnull指出的那样）

Answer 3

您需要查找要处理的每种格式的规范，this是ePub的规范，例如，它有点宽泛但你明白了，那么你需要弄清楚如何你想要处理它。