使用 python 从 MS Word 文件中提取文本

问题描述：

对于使用 Python 处理 MS Word 文件，有 Python Win32 扩展，可在 Windows 中使用。如何在 Linux 上执行相同操作？有库吗？

解决方案 1：

使用原生 Python docx 模块。以下是如何从文档中提取所有文本：

document = docx.Document(filename)
docText = '

'.join(
    paragraph.text for paragraph in document.paragraphs
)
print(docText)

请参阅Python DocX 网站

还请检查一下可以拉出表格等的Textract 。

使用正则表达式解析 XML 会调用 cthulu。不要这样做！

解决方案 2：

您可以对antiword进行子进程调用。Antiword 是一个 Linux 命令行实用程序，用于从 Word 文档中转储文本。对于简单文档来说，它工作得很好（显然它会丢失格式）。它可以通过 apt 获得，也可能是 RPM，或者您可以自己编译它。

解决方案 3：

本杰明的回答非常好。我刚刚整合了...

import zipfile, re

docx = zipfile.ZipFile('/path/to/file/mydocument.docx')
content = docx.read('word/document.xml').decode('utf-8')
cleaned = re.sub('<(.|
)*?>','',content)
print(cleaned)

解决方案 4：

OpenOffice.org 可以用 Python 编写脚本：参见此处。

由于 OOo 可以完美地加载大多数 MS Word 文件，因此我认为这是您最好的选择。

解决方案 5：

我知道这是一个老问题，但我最近试图找到一种从 MS Word 文件中提取文本的方法，迄今为止我发现的最佳解决方案是使用 wvLib：

http://wvware.sourceforge.net/

安装该库后，在 Python 中使用它非常容易：

import commands

exe = 'wvText ' + word_file + ' ' + output_txt_file
out = commands.getoutput(exe)
exe = 'cat ' + output_txt_file
out = commands.getoutput(exe)

就是这样。基本上，我们所做的就是使用commands.getouput函数来运行几个shell脚本，即wvText（从Word文档中提取文本，cat读取文件输出）。之后，Word文档中的全部文本将保存在out变量中，可供使用。

希望这可以帮助将来遇到类似问题的任何人。

解决方案 6：

了解doc 格式的工作原理，并在 linux 中使用 PHP 创建 word 文档。前者特别有用。我推荐使用Abiword工具。不过也有局限性：

但是，如果文档中有复杂的表格、文本框、嵌入的电子表格等，那么它可能无法按预期工作。开发良好的 MS Word 过滤器是一个非常困难的过程，因此请耐心等待，我们会努力让 Word 文档正确打开。如果您的 Word 文档无法加载，请打开 Bug 并包含该文档，以便我们改进导入器。

解决方案 7：

（注意：我也在这个问题上发布了这篇文章，但它似乎与此相关，所以请原谅重新发布。）

现在，这很丑陋，也很老套，但它似乎对我进行基本的文本提取有用。显然，要在 Qt 程序中使用它，您必须为其生成一个进程等，但我编写的命令行是：

unzip -p file.docx | grep '<w:t' | sed 's/<[^<]*>//g' | grep -v '^[[:space:]]*$'

这就是：

unzip -p file.docx : -p == “解压到标准输出”

grep '<w:t'：仅抓取包含“<w:t'”的行（据我所知，<w:t> 是 Word 2007 中“文本”的 XML 元素）

sed 's/<¹ >//g'*：删除标签内的所有内容

grep -v '^[[:space:]] $'*: 删除空行

可能有更有效的方法来做到这一点，但它似乎对我测试过的几个文档有用。

据我所知，unzip、grep 和 sed 都有适用于 Windows 和任何 Unix 的端口，因此它应该是相当跨平台的。尽管有点丑陋 ;)

解决方案 8：

如果您打算使用纯 python 模块而不调用子进程，则可以使用 zipfile python 模块。

content = ""
# Load DocX into zipfile
docx = zipfile.ZipFile('/home/whateverdocument.docx')
# Unpack zipfile
unpacked = docx.infolist()
# Find the /word/document.xml file in the package and assign it to variable
for item in unpacked:
    if item.orig_filename == 'word/document.xml':
        content = docx.read(item.orig_filename)

    else:
        pass

但是，您的内容字符串需要清理，其中一种方法是：

# Clean the content string from xml tags for better search
fullyclean = []
halfclean = content.split('<')
for item in halfclean:
    if '>' in item:
        bad_good = item.split('>')
        if bad_good[-1] != '':
            fullyclean.append(bad_good[-1])
        else:
            pass
    else:
        pass

# Assemble a new string with all pure content
content = " ".join(fullyclean)

但肯定有更优雅的方式来清理字符串，可能是使用 re 模块。希望这能有所帮助。

解决方案 9：

Unoconv 也可能是一个不错的选择：http://linux.die.net/man/1/unoconv

解决方案 10：

要读取 Word 2007 及更高版本的文件（包括 .docx 文件），可以使用python-docx包：

from docx import Document
document = Document('existing-document-file.docx')
document.save('new-file-name.docx')

要从 Word 2003 及更早版本读取 .doc 文件，请对antiword进行子进程调用。您需要先安装 antiword：

sudo apt-get install antiword

然后只需从你的 Python 脚本中调用它：

import os
input_word_file = "input_file.doc"
output_text_file = "output_file.txt"
os.system('antiword %s > %s' % (input_word_file, output_text_file))

解决方案 11：

如果您安装了 LibreOffice，您可以简单地从命令行调用它将文件转换为文本，然后将文本加载到 Python 中。

解决方案 12：

这是一个老问题吗？我相信这样的事情不存在。只有已回答和未回答的问题。这个问题几乎没有答案，或者说回答了一半。好吧，不使用 COM 互操作读取 .docx（MS Word 2007 及更高版本）文档的方法都涵盖了。但仅使用 Python 从 .doc（MS Word 97-2000）中提取文本的方法却不够完善。这很复杂吗？要做：其实并不复杂，要理解：嗯，那是另一回事。

当我没有找到任何完成的代码时，我阅读了一些格式规范并挖掘出其他语言中提出的一些算法。

MS Word (.doc) 文件是 OLE2 复合文件。为了不让您为许多不必要的细节所困扰，请将其视为存储在文件中的文件系统。它实际上使用 FAT 结构，因此定义成立。（嗯，也许您可​​以在 Linux 中循环安装它？？？）这样，您可以在一个文件中存储更多文件，例如图片等。在 .docx 中也可以使用 ZIP 存档完成相同的操作。PyPI 上有可以读取 OLE 文件的软件包。例如（olefile、compoundfiles 等）我使用 compoundfiles 软件包打开 *.doc 文件。但是，在 MS Word 97-2000 中，内部子文件不是 XML 或 HTML，而是二进制文件。而且这还不够，每个子文件都包含有关其他子文件的信息，因此您必须至少阅读其中两个并相应地解开存储的信息。要完全理解，请阅读我从中获取算法的 PDF 文档。

下面的代码非常匆忙地编写，并在少量文件上进行了测试。据我所知，它按预期工作。有时在开头会出现一些乱码，而且几乎总是在文本结尾出现。中间也可能会出现一些奇怪的字符。

对于那些只想搜索文本的人来说，这将会很开心。不过，我还是敦促任何能帮助改进此代码的人这样做。

doc2text module:
"""
This is Python implementation of C# algorithm proposed in:
http://b2xtranslator.sourceforge.net/howtos/How_to_retrieve_text_from_a_binary_doc_file.pdf

Python implementation author is Dalen Bernaca.
Code needs refining and probably bug fixing!
As I am not a C# expert I would like some code rechecks by one.
Parts of which I am uncertain are:
    * Did the author of original algorithm used uint32 and int32 when unpacking correctly?
      I copied each occurence as in original algo.
    * Is the FIB length for MS Word 97 1472 bytes as in MS Word 2000, and would it make any difference if it is not?
    * Did I interpret each C# command correctly?
      I think I did!
"""

from compoundfiles import CompoundFileReader, CompoundFileError
from struct import unpack

__all__ = ["doc2text"]

def doc2text (path):
    text = u""
    cr = CompoundFileReader(path)
    # Load WordDocument stream:
    try:
        f = cr.open("WordDocument")
        doc = f.read()
        f.close()
    except: cr.close(); raise CompoundFileError, "The file is corrupted or it is not a Word document at all."
    # Extract file information block and piece table stream informations from it:
    fib = doc[:1472]
    fcClx  = unpack("L", fib[0x01a2l:0x01a6l])[0]
    lcbClx = unpack("L", fib[0x01a6l:0x01a6+4l])[0]
    tableFlag = unpack("L", fib[0x000al:0x000al+4l])[0] & 0x0200l == 0x0200l
    tableName = ("0Table", "1Table")[tableFlag]
    # Load piece table stream:
    try:
        f = cr.open(tableName)
        table = f.read()
        f.close()
    except: cr.close(); raise CompoundFileError, "The file is corrupt. '%s' piece table stream is missing." % tableName
    cr.close()
    # Find piece table inside a table stream:
    clx = table[fcClx:fcClx+lcbClx]
    pos = 0
    pieceTable = ""
    lcbPieceTable = 0
    while True:
        if clx[pos]=="x02":
            # This is piece table, we store it:
            lcbPieceTable = unpack("l", clx[pos+1:pos+5])[0]
            pieceTable = clx[pos+5:pos+5+lcbPieceTable]
            break
        elif clx[pos]=="x01":
            # This is beggining of some other substructure, we skip it:
            pos = pos+1+1+ord(clx[pos+1])
        else: break
    if not pieceTable: raise CompoundFileError, "The file is corrupt. Cannot locate a piece table."
    # Read info from pieceTable, about each piece and extract it from WordDocument stream:
    pieceCount = (lcbPieceTable-4)/12
    for x in xrange(pieceCount):
        cpStart = unpack("l", pieceTable[x*4:x*4+4])[0]
        cpEnd   = unpack("l", pieceTable[(x+1)*4:(x+1)*4+4])[0]
        ofsetDescriptor = ((pieceCount+1)*4)+(x*8)
        pieceDescriptor = pieceTable[ofsetDescriptor:ofsetDescriptor+8]
        fcValue = unpack("L", pieceDescriptor[2:6])[0]
        isANSII = (fcValue & 0x40000000) == 0x40000000
        fc      = fcValue & 0xbfffffff
        cb = cpEnd-cpStart
        enc = ("utf-16", "cp1252")[isANSII]
        cb = (cb*2, cb)[isANSII]
        text += doc[fc:fc+cb].decode(enc, "ignore")
    return "
".join(text.splitlines())

解决方案 13：

我不知道如果不使用 COM，您的运气会不会好到哪里去。.doc 格式非常复杂，保存时通常被称为 Word 的“内存转储”！

在 Swati，这是用 HTML 编写的，这很好，但是大多数 Word 文档都不太好！

解决方案 14：

这只是不使用 COM 读取“doc”文件的一个选项：miette。应该适用于任何平台。

解决方案 15：

Aspose.Words Cloud SDK for Python是一款独立于平台的解决方案，用于将 MS Word/Open Office 文件转换为文本。它是一款商业产品，但免费试用计划每月提供 150 次 API 调用。

PS：我是 Aspose 的开发者推广者。

# For complete examples and data files, please go to https://github.com/aspose-words-cloud/aspose-words-cloud-python
# Import module
import asposewordscloud
import asposewordscloud.models.requests
from shutil import copyfile

# Please get your Client ID and Secret from https://dashboard.aspose.cloud.
client_id='xxxxxxx-xxxx-xxxx-xxxxx-xxxxxxxxxx'
client_secret='xxxxxxxxxxxxxxxxxxxxxxxxxxxxxx'

words_api = asposewordscloud.WordsApi(client_id,client_secret)
words_api.api_client.configuration.host='https://api.aspose.cloud'

filename = 'C:/Temp/02_pages.docx'
dest_name = 'C:/Temp/02_pages.txt'
#Convert RTF to text
request = asposewordscloud.models.requests.ConvertDocumentRequest(document=open(filename, 'rb'), format='txt')
result = words_api.convert_document(request)
copyfile(result, dest_name)