Python 有没有直接提取二进制.doc 文件文本内容的模块?

2023-03-04 19:01:20 +08:00
 pcell

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。。。

2027 次点击
所在节点    Python
9 条回复
pppan
2023-03-04 22:49:10 +08:00
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
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
2023-03-05 03:04:02 +08:00
catdoc 不行吗?
mingl0280
2023-03-05 08:30:21 +08:00
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
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
2023-03-05 16:13:36 +08:00
antiword 了解下。
pcell
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
2023-03-05 18:34:37 +08:00
@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

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/921147

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX