近期涉及到了關于 doc 文檔讀取的處理,也查了很久,為了便于大家使用,故集大成一下。
Doc 文檔讀取有如下幾種:
1 、從 doc 讀取文本
?????? 目前沒有找到直接的方式,一般是先轉為 docx 文件在處理。所使用工具為 doc2doc( 批量時可用 ) ,或人工另存處理。
?
2 、從 docx 讀取文本
?????? 一般使用 python-docx 庫的方法,但只支持創建新文檔和讀取一些基本的文件數據,如文件大小和文件標題,不支持正文讀取。
?????? 或直接從 docx 中讀取 xml 的方法。
?
3 、從 pdf 讀取文本
?????? 一般使用 pdfminer3k 庫或 pyPdf 庫。其中 pyPdf 用起來其實稍顯麻煩,很多操作不夠方便。 pdfminer 對表格不友好,也可以將 PDF 轉換為 text 文本,還可以轉換為 HTML 等帶有標簽的文本。
?????? 還有一種可以用 pdf2htmlex( 非 python) ,先把 pdf 轉 html ,接下來再用 bs4 來解析處理。這樣的好處是處理 html 的工具非常非常豐富,且 pdf2htmlex 對原頁面的效果保持得特別好,特別是對于那些個用 word 和 latex 導出的 pdf 里,大量數據圖表里的標簽可以很方便地提取所需的值。
?
4 、把 pdf 中圖存為 jpg 文件
?????? 一般可以使用 PythonMagick 庫。
?
以上的代碼處理,均在 https://github.com/renwoxing2016/ 。
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號聯系: 360901061
您的支持是博主寫作最大的動力,如果您喜歡我的文章,感覺我的文章對您有幫助,請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點擊下面給點支持吧,站長非常感激您!手機微信長按不能支付解決辦法:請將微信支付二維碼保存到相冊,切換到微信,然后點擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對您有幫助就好】元
