Лучший способ извлечь текст из документа в формате Word, не используя COM/automation?
Есть действительно хороший учебник, который рассказывает об этом и других связанных вещах - Отправка форм AJAX: Угловой путь .
В принципе, вам нужно установить заголовок запроса POST, чтобы указать, что вы отправляете данные формы в виде строки с кодировкой URL и устанавливаете данные для отправки в том же формате
$http({
method : 'POST',
url : 'url',
data : $.param(xsrf), // pass in data as strings
headers : { 'Content-Type': 'application/x-www-form-urlencoded' } // set the headers so angular passing info as form data (not request payload)
});
Обратите внимание, что здесь используется вспомогательная функция param () jQuery для сериализации данных в строку, но вы также можете сделать это вручную, если не используете jQuery.
5 ответов
Я использую catdoc или антислово для этого, независимо от того, что дает результат, который является самым легким проанализировать. Я встроил это в функции Python, таким образом, это просто в использовании от системы парсинга (который записан в Python).
import os
def doc_to_text_catdoc(filename):
(fi, fo, fe) = os.popen3('catdoc -w "%s"' % filename)
fi.close()
retval = fo.read()
erroroutput = fe.read()
fo.close()
fe.close()
if not erroroutput:
return retval
else:
raise OSError("Executing the command caused an error: %s" % erroroutput)
# similar doc_to_text_antiword()
переключатель-w к catdoc выключает обертывание строки, BTW.
Используя API OpenOffice и Python, и превосходная макро-книга Andrew Pitonyak онлайн мне удалось сделать это. Раздел 7.16.4 является местом для запуска.
Еще одна подсказка, чтобы заставить его работать, не нуждаясь в экране вообще должна использовать свойство Hidden:
RO = PropertyValue('ReadOnly', 0, True, 0)
Hidden = PropertyValue('Hidden', 0, True, 0)
xDoc = desktop.loadComponentFromURL( docpath,"_blank", 0, (RO, Hidden,) )
Иначе документ щелкает на экране (вероятно, на консоли веб-сервера) при открытии его.
Для файлов docx проверьте скрипт Python docx2txt, доступный по адресу
http://cobweb.ecn.purdue.edu/~kak/distMisc/docx2txt
для извлечения простого текст из документа docx.
(Ответ тот же, что и извлечение текста из файлов MS word на питоне)
Используйте нативный модуль Python docx, который я сделал на этой неделе. Вот как извлечь весь текст из doc:
document = opendocx('Hello world.docx')
# This location is where most document content lives
docbody = document.xpath('/w:document/w:body', namespaces=wordnamespaces)[0]
# Extract all text
print getdocumenttext(document)
Смотрите Python DocX site
100% Python, без COM, без .net, без Java, без разбора сериализованного XML с регексами, без дерьма
.