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。。。
1
pppan 2023-03-04 22:49:10 +08:00
|
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
|
3
pcell OP 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。
|
4
ysc3839 2023-03-05 03:04:02 +08:00 via Android
catdoc 不行吗?
|
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?
|
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)
|
7
byron 2023-03-05 16:13:36 +08:00
antiword 了解下。
|
8
pcell OP |