extraction de texte à partir de fichiers MS word en python

si votre intention est d'utiliser des modules purement python sans appeler de sous-processus, vous pouvez utiliser le modude python zipfile.

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

votre chaîne de contenu doit cependant être nettoyée, une façon de le faire est:

# 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)

mais il y a sûrement une façon plus élégante de nettoyer la chaîne, probablement en utilisant le module re. Espérons que cette aide.

Unoconv pourrait aussi être une bonne alternative: http://linux.die.net/man/1/unoconv

Je ne suis pas sûr que vous allez avoir beaucoup de chance sans utiliser COM. Le. le format doc est ridiculement complexe, et est souvent appelé un "dump mémoire" de mot au moment de sauver!

chez Swati, C'est en HTML, ce qui est très bien, mais la plupart des documents word ne sont pas si beaux!

si vous avez LibreOffice installé, vous pouvez simplement l'appeler depuis la ligne de commande pour convertir le fichier en texte , puis Charger le texte en Python.

est-ce une vieille question? Je crois qu'une telle chose n'existe pas. Il n'y a que des réponses et des réponses. Celui-ci est plutôt sans réponse, ou à moitié répondu si vous le souhaitez. Ainsi, les méthodes de lecture *.docx (MS Word 2007 et versions ultérieures) les documents qui n'utilisent pas COM interop sont tous couverts. Mais les méthodes pour extraire le texte de *.doc (MS Word 97-2000), utilisant Python seulement, manque. Est-ce compliqué? Faire: pas vraiment, comprendre: Eh bien, c'est autre chose.

Quand je n'ai pas trouvé de code fini, j'ai lu des spécifications de format et j'ai trouvé des algorithmes proposés dans d'autres langues.

MS Word (*.doc) est un fichier composé de OLE2. De ne pas vous déranger avec beaucoup de détails inutiles, pensez-y comme un système de fichiers stockés dans un fichier. Il utilise en fait la structure de la graisse,donc la définition tient. (HM, peut-être que vous pouvez le monter en boucle sous Linux???) De cette façon, vous pouvez stocker plus de fichiers dans un fichier, comme des images, etc. La même chose est faite en *.docx en utilisant L'archive ZIP à la place. Il y a des paquets disponibles sur PyPI qui peuvent lire des fichiers OLE. Comme (olefile, compoundfiles,...) J'ai utilisé compoundfiles package pour ouvrir *.fichier doc. Cependant, dans MS Word 97-2000, les sous-Fichiers internes ne sont pas XML ou HTML, mais des fichiers binaires. Et comme ce n'est pas suffisant, chaque contient une information sur l'autre, donc vous devez lire au moins deux d'entre eux et déchiffrer les informations stockées en conséquence. Pour comprendre pleinement, lisez le document PDF à partir duquel j'ai pris l'algorithme.

ci-dessous est composé à la hâte et testé sur un petit nombre de fichiers. Aussi loin que je peux voir, il fonctionne comme prévu. Parfois, certains charabia apparaît au début, et presque toujours à la fin du texte. Et il peut y avoir des personnages bizarres entre les deux.

ceux d'entre vous qui veulent juste chercher du texte seront heureux. Encore, j'exhorte tous ceux qui peuvent aider à améliorer ce code pour le faire.

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())

pour lire Word 2007 et les fichiers suivants, y compris .les fichiers docx, vous pouvez utiliser le paquet python-docx :

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

à lire .les fichiers doc de Word 2003 et plus tôt, font un appel de sous-processus à antiword . Vous devez d'abord installer antiword:

sudo apt-get install antiword

alors appelez-le simplement à partir de votre 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))

Juste une option pour la lecture de 'doc' des fichiers sans utiliser de COM: miette . Ça devrait marcher sur n'importe quelle plateforme.