V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
pcell
V2EX  ›  Python

Python 有没有直接提取二进制.doc 文件文本内容的模块?

  •  
  •   pcell · 2023-03-04 19:01:20 +08:00 · 1971 次点击
    这是一个创建于 609 天前的主题,其中的信息可能已经有所发展或是发生改变。

    想提取 word 97 到 2003 的.doc 文件的文本内容,但看了一圈只找到依赖于 antiword 、apache poi 、libreoffce 或者直接用 win32com 调用 msoffice 之类,有没有只需要装模块( windows 下离线使用)不用额外装其他软件的解决方法? 搜索了一下看见有一个 olefile 模块,但是需要自己研究 word 文件的文件结构,看了一下资料不但全英文还相当复杂搞不来。。。

    9 条回复    2023-03-05 18:34:37 +08:00
    pppan
        1
    pppan  
       2023-03-04 22:49:10 +08:00
    PolarBears
        2
    PolarBears  
       2023-03-04 23:11:35 +08:00
    考虑下先转成 docx 再操作?毕竟是私有格式直接操作可能不太好弄
    pcell
        3
    pcell  
    OP
       2023-03-04 23:23:05 +08:00
    楼上两位说的 docx 我也有用,问题是现存好一些并非保管在我手上的.doc 需要提取文本,比较无奈。
    ysc3839
        4
    ysc3839  
       2023-03-05 03:04:02 +08:00 via Android
    catdoc 不行吗?
    mingl0280
        5
    mingl0280  
       2023-03-05 08:30:21 +08:00 via Android
    可以自己看二进制 OLE 格式啊,反正微软有文档,自己写一个问题不大吧?
    zhzy
        6
    zhzy  
       2023-03-05 15:33:45 +08:00
    建议打包一个 libreoffice. 自己搞那不是一般复杂, 文档接近 600 页, 不太可能一个人短时间重新实现一遍. pandoc 都不愿意做: [Feature request: support .doc (old MS Word) format · Issue #5809 · jgm/pandoc]( https://github.com/jgm/pandoc/issues/5809)
    byron
        7
    byron  
       2023-03-05 16:13:36 +08:00
    antiword 了解下。
    pcell
        8
    pcell  
    OP
       2023-03-05 16:31:24 +08:00
    @ysc3839 看了一下,这是 linux 下的工具吧,我是在 Windows 下使用,用不了。


    @zhzy 如果用 libreoffice 的话其实我觉得也可以变通一下,就是直接装一个 msoffice ,我看 everything 这搜索工具如果不装 msoffice 就无法搜索 word 文档内容了,msword 应该有某个 dll 可以直接读取 word 文档的,目前网上流传的调用 msword 的方法都是用 win32com 启动一个 word 程序再另存为,效率异常低下。
    ysc3839
        9
    ysc3839  
       2023-03-05 18:34:37 +08:00 via Android
    @pcell 按理说是纯算法的,应该不依赖操作系统,就算依赖也可以用 msys2 兼容层
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   1923 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 19ms · UTC 16:22 · PVG 00:22 · LAX 09:22 · JFK 12:22
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.