python中的Doc、rtf和txt阅读器答案

【问题标题】：Doc, rtf and txt reader in pythonpython中的Doc、rtf和txt阅读器
【发布时间】：2010-07-19 06:22:59
【问题描述】：

像csv.reader()一样，还有其他函数可以在Python中读取.rtf、.txt、.doc文件吗？

【问题讨论】：

相关：extracting text from MS word files in python

【解决方案1】：

你可以阅读一个文本文件

txt = open("file.txt").read()

尝试PyRTF 获取 RTF 文件。我认为阅读 MS Word .doc 文件是不太可能的，除非您在 Windows 上并且您可以使用一些本机 MS 界面来读取这些文件。 This article 声称展示了如何编写与 Word 交互的脚本。

【讨论】：

【解决方案2】：

尝试为 word 和 writer 文档做这种简单的事情时，我真的很头疼。

有一个简单的解决方案：在命令行调用openoffice将你的目标文档转换为文本，然后将文本加载到Python中。

我尝试的其他转换工具产生的输出不可靠，而其他 Python oOo 库过于复杂。

如果您只想获取文本以便处理它，请在 linux 命令行上使用它：

soffice --headless --convert-to txt:Text /path_to/document_to_convert.doc

（如果您想自动化它，请使用子进程从 Python 调用它）。

它将创建您可以简单地加载到 python 中的文本文件。

(Credit)

【讨论】：

【解决方案3】：

csv 是一种特定格式，因此您需要一个“解析器”来读取它。正如您所提到的，这就是 csv 模块所提供的。文本文件（通常以.txt 为后缀）没有任何固定的“格式”，因此您可以在opening 之后阅读它们（Jesse 的回答提供了详细信息）。 CSV 文件通常是文本文件，因此您的区分不是很准确。

至于 RTF，有很多。有关详细信息，请参阅this answer。不过，Jesse 提到的 PyRTF 似乎是最受欢迎的。

Microsoft Word 文档文件（通常以.doc 为后缀）是另一种野兽，因为该格式是专有的。我对 Python 转换器没有太多经验，但有一些命令行转换器（如 wvHTML）做得不错。 This question 讨论了很多。还可以选择让 MS-Word 自己通过。像 Jesse 提到的 COM 接口。

【讨论】：

【解决方案4】：

import win32com.client
if tmpFile.endswith('.xml') or tmpFile.endswith('.doc') or tmpFile.endswith('.docx'):
       app = win32com.client.Dispatch("Word.Application")
       app.Visible = False
       app.Documents.Open(tmpFile)
       doc = app.ActiveDocument

       docText = doc.Content.Text 
       print(docText)
       doc.Close()
       app.Quit()

【讨论】：

不要使用|。有一个or。

【解决方案5】：

有一个名为 'docx' 的 python 模块，您可以使用它来读取 .docx 文件。但是您将无法阅读 .doc，因为它现在几乎已经过时了。

from docx import Document
doc = Document(filepath)
# Reading Data
data = doc.paragraphs
tables = doc.tables

你可以在 Pypi 上找到它Here。

【讨论】：