使用python将PDF，DOC，DOCX转换为文本格式的解决方案

Question

我正在开发一个全文搜索引擎，用于索引流行的二进制格式。我知道已经存在这些问题（和解决方案），但我发现很难找到一个：

• 跨平台
• 立即支持DOC，DOCX和PDF格式
• 易于使用python
• 可以在主要共享主机中设置

Answer 1

• 对于PDF，我建议PDFminer。
• 尝试docx模块（我自己没有使用过）
• 我不知道任何可以读取.doc个文件的纯python模块。
• 有一些命令行工具可以从.doc文件中提取文本：antiword和catdoc（可能还有其他文件）。如果软件包安装在您的共享主机上，您可以使用subprocess来支持这些工具。可通过Cygwin在Windows上获得。
• Apache POI是一个可以从Office文档中提取文本的Java库。如果您的共享主机安装了Java，您可以编写一些Java（或Jython）代码并使用subprocess执行。

Answer 2

如果在服务器端您可以使用OpenOffice，则可以使用unoconv: Convert between any document format supported by OpenOffice

Answer 3

一种可能的解决方案是使用谷歌文档从二进制.doc文件中提取文本内容。您将文档上传到谷歌文档，然后下载文本内容。这是一个相当慢的过程，但它是我所知道的唯一“纯Python”解决方案，因为除了网络访问之外它不需要任何外部工具。如果允许您在主机上安装外部工具，如catdoc或antiword是一个更好的解决方案。

Answer 4

Textract为每种文件使用默认工具。

https://github.com/deanmalmgren/textract