read instalar font add_picture python linux ms-word

instalar - read word file in python



extraer texto de archivos de MS Word en python (14)

para trabajar con archivos de MS Word en python, hay extensiones de python win32, que se pueden usar en Windows. ¿Cómo hago lo mismo en Linux? ¿Hay alguna biblioteca?

¿Es esta una vieja pregunta? Yo creo que tal cosa no existe. Solo hay respuestas y respuestas. Este es bastante sin respuesta, o la mitad respondió si lo desea. Bien, todos los métodos para leer documentos * .docx (MS Word 2007 y posteriores) sin utilizar interoperabilidad COM están cubiertos. Pero los métodos para extraer texto de * .doc (MS Word 97-2000), usando Python solamente, carece. ¿Esto es complicado? Hacer: no realmente, entender: bueno, eso es otra cosa.

Cuando no encontré ningún código terminado, leí algunas especificaciones de formato y busqué algunos algoritmos propuestos en otros idiomas.

El archivo MS Word (* .doc) es un archivo compuesto OLE2. Para no molestarte con muchos detalles innecesarios, considéralo un sistema de archivos almacenado en un archivo. En realidad, utiliza la estructura FAT, por lo que la definición se cumple. (¿Hm, tal vez puede montarlo en bucle en Linux?) De esta manera, puede almacenar más archivos dentro de un archivo, como imágenes, etc. Lo mismo se hace en * .docx usando el archivo ZIP en su lugar. Hay paquetes disponibles en PyPI que pueden leer archivos OLE. Me gusta (olefile, compoundfiles, ...) Usé el paquete de archivos compuestos para abrir el archivo * .doc. Sin embargo, en MS Word 97-2000, los subarchivos internos no son XML o HTML, sino archivos binarios. Y como esto no es suficiente, cada uno contiene información sobre otro, por lo que debe leer al menos dos de ellos y desentrañar la información almacenada en consecuencia. Para comprender completamente, lea el documento PDF del cual tomé el algoritmo.

El siguiente código se compila y compila apresuradamente en un número pequeño de archivos. Por lo que puedo ver, funciona según lo previsto. Algunas veces aparece un galimatías al principio, y casi siempre al final del texto. Y también puede haber algunos personajes extraños en el medio.

Aquellos de ustedes que solo deseen buscar texto estarán felices. Aún así, insto a cualquiera que pueda ayudar a mejorar este código a que lo haga.

doc2text module: """ This is Python implementation of C# algorithm proposed in: http://b2xtranslator.sourceforge.net/howtos/How_to_retrieve_text_from_a_binary_doc_file.pdf Python implementation author is Dalen Bernaca. Code needs refining and probably bug fixing! As I am not a C# expert I would like some code rechecks by one. Parts of which I am uncertain are: * Did the author of original algorithm used uint32 and int32 when unpacking correctly? I copied each occurence as in original algo. * Is the FIB length for MS Word 97 1472 bytes as in MS Word 2000, and would it make any difference if it is not? * Did I interpret each C# command correctly? I think I did! """ from compoundfiles import CompoundFileReader, CompoundFileError from struct import unpack __all__ = ["doc2text"] def doc2text (path): text = u"" cr = CompoundFileReader(path) # Load WordDocument stream: try: f = cr.open("WordDocument") doc = f.read() f.close() except: cr.close(); raise CompoundFileError, "The file is corrupted or it is not a Word document at all." # Extract file information block and piece table stream informations from it: fib = doc[:1472] fcClx = unpack("L", fib[0x01a2l:0x01a6l])[0] lcbClx = unpack("L", fib[0x01a6l:0x01a6+4l])[0] tableFlag = unpack("L", fib[0x000al:0x000al+4l])[0] & 0x0200l == 0x0200l tableName = ("0Table", "1Table")[tableFlag] # Load piece table stream: try: f = cr.open(tableName) table = f.read() f.close() except: cr.close(); raise CompoundFileError, "The file is corrupt. ''%s'' piece table stream is missing." % tableName cr.close() # Find piece table inside a table stream: clx = table[fcClx:fcClx+lcbClx] pos = 0 pieceTable = "" lcbPieceTable = 0 while True: if clx[pos]=="/x02": # This is piece table, we store it: lcbPieceTable = unpack("l", clx[pos+1:pos+5])[0] pieceTable = clx[pos+5:pos+5+lcbPieceTable] break elif clx[pos]=="/x01": # This is beggining of some other substructure, we skip it: pos = pos+1+1+ord(clx[pos+1]) else: break if not pieceTable: raise CompoundFileError, "The file is corrupt. Cannot locate a piece table." # Read info from pieceTable, about each piece and extract it from WordDocument stream: pieceCount = (lcbPieceTable-4)/12 for x in xrange(pieceCount): cpStart = unpack("l", pieceTable[x*4:x*4+4])[0] cpEnd = unpack("l", pieceTable[(x+1)*4:(x+1)*4+4])[0] ofsetDescriptor = ((pieceCount+1)*4)+(x*8) pieceDescriptor = pieceTable[ofsetDescriptor:ofsetDescriptor+8] fcValue = unpack("L", pieceDescriptor[2:6])[0] isANSII = (fcValue & 0x40000000) == 0x40000000 fc = fcValue & 0xbfffffff cb = cpEnd-cpStart enc = ("utf-16", "cp1252")[isANSII] cb = (cb*2, cb)[isANSII] text += doc[fc:fc+cb].decode(enc, "ignore") return "/n".join(text.splitlines())

(Nota: publiqué esto también en esta pregunta , pero parece relevante aquí, así que disculpen el reenvío).

Ahora, esto es bastante feo y bastante hacky, pero parece que me funciona para la extracción de texto básico. Obviamente para usar esto en un programa Qt tendrías que generar un proceso para él, etc., pero la línea de comando que he pirateado es:

unzip -p file.docx | grep ''<w:t'' | sed ''s/<[^<]*>//g'' | grep -v ''^[[:space:]]*$''

Así que eso es:

descomprimir -p file.docx : -p == "descomprimir en stdout"

grep ''<w: t'' : toma solo las líneas que contienen ''<w: t'' (<w: t> es el elemento XML de Word 2007 para "texto", por lo que yo sé)

sed ''s / <[^ <] > // g'' *: eliminar todo dentro de las etiquetas

grep -v ''^ [[: espacio:]] $'' *: Eliminar líneas en blanco

Es probable que haya una manera más eficiente de hacerlo, pero parece funcionar para mí en los pocos documentos con los que lo he probado.

Hasta donde yo sé, descomprime, grep y sed todos tienen puertos para Windows y cualquiera de los Unix, por lo que debe ser razonablemente multiplataforma. A pesar de ser un poco un hack feo;)

La respuesta de Benjamin es bastante buena. Me acabo de consolidar ...

import zipfile, re docx = zipfile.ZipFile(''/path/to/file/mydocument.docx'') content = docx.read(''word/document.xml'').decode(''utf-8'') cleaned = re.sub(''<(.|/n)*?>'','''',content) print(cleaned)

No estoy seguro de si vas a tener mucha suerte sin usar COM. El formato .doc es ridículamente complejo, y a menudo se denomina "volcado de memoria" de Word en el momento de guardarlo.

En Swati, eso está en HTML, lo cual está bien y muy bien, ¡pero la mayoría de los documentos de Word no son tan agradables!

Observe cómo funciona el formato de documento y cree documentos de Word utilizando PHP en Linux . El primero es especialmente útil. Abiword es mi herramienta recomendada. Sin embargo, hay limitations :

Sin embargo, si el documento tiene tablas complicadas, cuadros de texto, hojas de cálculo incrustadas, etc., entonces podría no funcionar como se esperaba. Desarrollar buenos filtros de MS Word es un proceso muy difícil, así que por favor tengan paciencia con nosotros mientras trabajamos para lograr que los documentos de Word se abran correctamente. Si tiene un documento de Word que no se carga, abra un error e incluya el documento para que podamos mejorar el importador.

OpenOffice.org puede ser escrito con Python: mira aquí .

Como OOo puede cargar la mayoría de los archivos de MS Word sin problemas, diría que esa es su mejor opción.

Para leer archivos de Word 2007 y posteriores, incluidos archivos .docx, puede usar el paquete python-docx :

from docx import Document document = Document(''existing-document-file.docx'') document.save(''new-file-name.docx'')

Para leer archivos .doc de Word 2003 y anteriores, realice una llamada de subproceso a antiword . Primero debes instalar la palabra clave:

sudo apt-get install antiword

Entonces solo llámalo desde tu script python:

import os input_word_file = "input_file.doc" output_text_file = "output_file.txt" os.system(''antiword %s > %s'' % (input_word_file, output_text_file))

Sé que esta es una vieja pregunta, pero recientemente estaba tratando de encontrar una forma de extraer texto de archivos de MS Word, y la mejor solución que encontré fue con wvLib:

http://wvware.sourceforge.net/

Después de instalar la biblioteca, usarla en Python es bastante fácil:

import commands exe = ''wvText '' + word_file + '' '' + output_txt_file out = commands.getoutput(exe) exe = ''cat '' + output_txt_file out = commands.getoutput(exe)

Y eso es. Más o menos, lo que estamos haciendo es usar la función commands.getouput para ejecutar un par de scripts de shell, concretamente wvText (que extrae texto de un documento de Word y cat para leer el resultado del archivo). Después de eso, todo el texto del documento de Word estará en la variable de salida, listo para usar.

Esperamos que esto ayude a cualquiera a tener problemas similares en el futuro.

Si su intención es usar módulos puramente de Python sin llamar a un subproceso, puede usar el modo zippyile python.

content = "" # Load DocX into zipfile docx = zipfile.ZipFile(''/home/whateverdocument.docx'') # Unpack zipfile unpacked = docx.infolist() # Find the /word/document.xml file in the package and assign it to variable for item in unpacked: if item.orig_filename == ''word/document.xml'': content = docx.read(item.orig_filename) else: pass

Sin embargo, su cadena de contenido debe ser limpiada, una forma de hacerlo es:

# Clean the content string from xml tags for better search fullyclean = [] halfclean = content.split(''<'') for item in halfclean: if ''>'' in item: bad_good = item.split(''>'') if bad_good[-1] != '''': fullyclean.append(bad_good[-1]) else: pass else: pass # Assemble a new string with all pure content content = " ".join(fullyclean)

Pero seguramente hay una forma más elegante de limpiar la cadena, probablemente usando el módulo re. Espero que esto ayude.

Solo una opción para leer archivos ''doc'' sin utilizar COM: miette . Debería funcionar en cualquier plataforma.

Use el módulo Python docx nativo . A continuación, le mostramos cómo extraer todo el texto de un documento:

document = docx.Document(filename) docText = ''/n/n''.join([ paragraph.text.encode(''utf-8'') for paragraph in document.paragraphs ]) print docText

Ver el sitio de Python DocX

También echa un vistazo a Textract que saca tablas, etc.

El análisis XML con expresiones regulares invoca cthulu. No lo hagas!

Podrías hacer una llamada por subproceso a antiword . Antiword es una utilidad de línea de comandos de Linux para volcar texto de un documento de Word. Funciona bastante bien para documentos simples (obviamente pierde formato). Está disponible a través de apt, y probablemente como RPM, o puede compilarlo usted mismo.