python在linux上将microsoft office docs转换为纯文本答案

【问题标题】：python convert microsoft office docs to plain text on linuxpython在linux上将microsoft office docs转换为纯文本
【发布时间】：2009-03-26 12:24:44
【问题描述】：

关于在 linux 上使用 python 将 .doc、.ppt 和 .xls 转换为纯文本的方法有什么建议吗？真的任何转换方法都是有用的。我已经研究过使用 Open Office，但我想要一个不需要安装 Open Office 的解决方案。

【问题讨论】：

我使用了命令行解决方案

标签： python linux ms-office

【解决方案1】：

我会选择命令行解决方案（然后使用 Python subprocess module 从 Python 运行工具）。

可以在此处找到 msword (catdoc)、excel (xls2csv) 和 ppt (catppt) 的转换器（以源形式）： http://vitus.wagner.pp.ru/software/catdoc/.

无法真正评论 catppt 的用处，但 catdoc 和 xls2csv 效果很好！

但请务必先搜索您的发行版存储库...在 ubuntu 上，例如 catdoc 只是一个快速的 apt-get away。

【讨论】：

+1 表示不使用开放式办公格式，就像 OP 想要的那样。

【解决方案2】：

您可以访问OpenOffice via Python API。

尝试以此为基础：http://wiki.services.openoffice.org/wiki/Odt2txt.py

【讨论】：

【解决方案3】：

将 Microsoft Office 文档转换为 HTML 或其他格式的常用工具是 mswordview，此后已重命名为 vwWare。

如果您正在寻找命令行工具，他们实际上建议使用 AbiWord 来执行转换：

AbiWord --to=txt

如果您正在寻找图书馆，请从 wvWare overview page 开始。他们还维护a list of libraries and tools which read MS Office documents。

【讨论】：

【解决方案4】：

在命令行中，antiword 或 wv 可以很好地处理 .doc 文件。（不是 Python 解决方案，但它们易于安装且速度很快。）

【讨论】：

【解决方案5】：

同样的问题。下面是我使用 catdoc 将 dir 'docs/' 中的所有 doc 文件转换为 dir 'txts/' 的简单脚本。希望它会帮助某人：

#!/usr/bin/env python 
# -*- coding: utf-8 -*-

import glob, re, os
f = glob.glob('docs/*.doc') + glob.glob('docs/*.DOC')

outDir = 'txts'
if not os.path.exists(outDir):
    os.makedirs(outDir)
for i in f:
    os.system("catdoc -w '%s' > '%s'" %
              (i, outDir + '/' + re.sub(r'.*/([^.]+)\.doc', r'\1.txt', i,
                                   flags=re.IGNORECASE)))

【讨论】：

哈哈...+1 使用 python...使用 bash。坚持OP的要求做得很好……有点。 :D
@Droogans：他他这些多国语言速写真是讽刺。我已经开始在 bash 中做，更改输出文件名的规则变得很奇怪，然后我只是将它放在 python 脚本中。比使用子进程模块、管道等更容易。

【解决方案6】：

对于处理 Excel 电子表格 xlwt 很好。但它对.doc 和.ppt 文件没有帮助。

（您可能还听说过 PyExcelerator。xlwt 是它的一个分支，并且维护得更好，所以我认为您最好使用 xlwt。）

【讨论】：

【解决方案7】：

过去，我在使用 XSLT 将基于 XML 的办公文件处理成可用的东西方面取得了一些成功。它不一定是基于 python 的解决方案，但它确实完成了工作。

【讨论】：