Najlepszy sposób na wyodrębnienie tekstu z dokumentu Word bez korzystania z COM/automatyzacji?

Question

Czy istnieje rozsądny sposób wyodrębnienia zwykłego tekstu z pliku Word, który nie zależy od automatyzacji COM? (Jest to funkcja dla aplikacji internetowej wdrożonej na platformie innej niż Windows - w tym przypadku nie podlega ona negocjacjom).

Antiword wydaje się być rozsądną opcją, ale wygląda na to, że może być porzucony.

Rozwiązanie Pythona byłoby idealne, ale nie wydaje się być dostępne.

Answer 1

Używam do tego celu catdoc lub antywojecia, niezależnie od wyniku, który jest najłatwiejszy do przeanalizowania. Wbudowałem to w funkcje Pythona, więc jest łatwy w użyciu z systemu parsowania (który jest napisany w pythonie).

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() 

Przełącznik -w na catdoc wyłącza owijanie linii, BTW.

Answer 2

Open Office ma API

Answer 3

używając API OpenOffice i Python i Andrew Pitonyak's excellent online macro book udało mi się to zrobić. Punkt 7.16.4 jest miejscem rozpoczęcia.

Jeszcze jedna wskazówka, aby pracować bez konieczności ekran w ogóle jest wykorzystanie właściwości ukrycia:

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

przeciwnym przypadku kino dokumentu na ekranie (prawdopodobnie na konsoli serwera WWW), kiedy go otworzyć .

Answer 4

przypadku plików docx, sprawdź docx2txt skryptowego Python dostępne w

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

do wydobywania zwykły tekst z dokumentu docx.

Answer 5

(sama odpowiedź jak extracting text from MS word files in python)

Użyj natywny moduł Pythona docx, które zrobiłem w tym tygodniu. Oto w jaki sposób wyodrębnić cały tekst z dokumentu:

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) 

Zobacz Python DocX site

100% Python, nie COM, nie .NET, Java, bez żadnego zserializowaną parsowania XML z regexs, nie bzdury.

Answer 6

Jeśli wszystko, co chcesz zrobić, to wyodrębnianie tekstu z plików Word (.docx), możliwe jest to tylko w Pythonie. Tak jak napisał Guy Starbuck, wystarczy rozpakować plik, a następnie przeanalizować kod XML. Zainspirowany python-docx, napisałem simple function to zrobić:

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 dla .doc i .odt.

Powoduje wywołanie polecenia openoffice w wierszu poleceń w celu przekonwertowania pliku na tekst, który można następnie załadować do Pythona.

(wydaje się mieć inne opcje formatowania, choć nie są one apparenlty udokumentowane.)