f = open('file.txt')
print f.read()
这很简单，不是吗？这是有效的，因为 python 知道如何读取和写入.txt 文件。这些格式是如何工作的？我希望构建一个 python 程序来读取至少主要格式的文档（包括 pdf）、电子表格和演示文稿。
现在请不要告诉我，“继续使用 PDFMiner！”； “使用 IronPython 阅读 .doc！”。
我想了解自己，格式魔法是如何发生的。我想知道格式是如何工作的，以便我可以构建自己的“任何格式阅读器”。我不希望解决方案读取各种格式。我想知道它背后的理论。
非常感谢任何指向此类资源的链接，或有关阅读多种格式的帮助。
-谢谢
【问题讨论】：
不，您完全误解了您的代码在做什么。 Python 不“知道”如何读取 .txt 文件，因为这里没有“格式”。它只是打开一个普通文件并打印出它在那里找到的字节。
PDF 或 DOC 之类的内容完全不同。字节本身没有任何意义：它们是相关应用程序可以理解的文件格式的表示。为了以理解它们包含的内容的方式“读取”它们，您需要构建一个与原始应用程序执行相同操作的解析器。这就是您引用的那些库的作用（尽管 IronPython 是 .NET 中 Python 的实现，与读取 doc 文件无关）。
【讨论】：
In fact in the case of PDF, the bytes actually represent a PostScript program that constructs the document. -- 我不太确定这一行的第二部分。
读取.txt 文件绝对没有魔法——它只是ASCII 字节，打开和读取文件就是这样做的：读取字节。这是您能找到的最简单的文件格式（因为没有格式）。 PDF 之于纯文本就像可口可乐之于蒸馏水。
然而，PDF 使用的格式非常复杂；读取 PDF 文件只会让 Python 将其视为 .txt 文件。
所以我很抱歉给你一个你不喜欢听到的旧回复：请继续使用 PDFMiner，或阅读其源代码以了解他们如何阅读和解析 PDF 文件:)（或阅读PDF spec 正如 devnull 指出的那样）
【讨论】：
您需要查找您要处理的每种格式的规范，例如，this 是 ePub 的规范，它有点宽泛但您明白了，然后您需要自己弄清楚您想要什么处理它。
【讨论】：