Лучший способ извлечь текст из Word-документа без использования COM/автоматизации?

Question

Есть ли разумный способ извлечь простой текст из файла Word, который не зависит от автоматизации COM? (Это функция для веб-приложения, развернутого на платформе, отличной от Windows). В этом случае это не подлежит обсуждению.)

Похоже, что это может быть разумным вариантом, но похоже, что он может быть отменен.

Решение Python было бы идеальным, но, похоже, оно не доступно.

Answer 1

Я использую catdoc или antiword для этого, независимо от результата, который легче всего анализировать. Я включил это в функции python, поэтому его легко использовать из системы синтаксического анализа (которая написана на 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() 

Переключатель -w в catdoc отключает обертывание линии, BTW.

Answer 2

Open Office имеет API

Answer 3

Использование API OpenOffice и Python, и Andrew Pitonyak's excellent online macro book мне удалось это сделать. Раздел 7.16.4 - это место для начала.

Еще один совет, чтобы заставить его работать без необходимости экран вообще должен использовать скрытые свойства:

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

В противном случае щелкает документ на экране (вероятно, на консоли веб-сервера), когда вы открываете его ,

Answer 4

Для DOCX файлов, проверьте docx2txt скрипт Python доступный на

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

для извлечения обычный текст из DOCX документа.

Answer 5

(Тот же ответ, как extracting text from MS word files in python)

Используйте собственный модуль Python DOCX, который я сделал на этой неделе. Вот как извлечь весь текст из дока:

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) 

См Python DocX site

100% Python, ни COM, ни .net, ни Java, ни при разборе сериализованной XML с regexs, не дерьма.

Answer 6

Если все, что вы хотите сделать, это извлечение текста из файлов Word (.docx), это можно сделать только с Python. Как писал Гай Старбак, вам просто нужно разархивировать файл, а затем проанализировать XML. Вдохновленный python-docx, я написал simple function, чтобы сделать это:

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 7

This worked well для .doc и .odt.

Он вызывает openoffice в командной строке для преобразования вашего файла в текст, который затем можно просто загрузить в python.

(кажется, есть и другие варианты формата, хотя они не apparenlty документированы.)