解决方案将PDF，DOC，DOCX转换为python文本格式

我正在开发一个全文搜索引擎，用于对流行的二进制格式进行索引。我知道有这样的问题（和解决方案）已经hundereds，但我发现它很难找到一个：解决方案将PDF，DOC，DOCX转换为python文本格式

跨平台
支持DOC，DOCX和PDF格式在一次
好用与Python
可以在各大共享主机

来源

2011-07-28 aitchnyu

对PDF文件进行设置，我建议PDFminer。
尝试使用docx模块（我自己没有用过）
我不知道任何纯Python模块可以读取.doc文件。
有一些命令行工具可从.doc文件中提取文本：antiword和catdoc（可能还有其他文件）。如果软件包安装在共享主机上，则可以使用subprocess来提供这些工具。通过Cygwin在Windows上提供。
Apache POI是一个Java库，可以从Office文档中提取文本。如果您的共享主机安装了Java，则可以编写一些Java（或Jython）代码并使用subprocess执行。

来源

2011-07-28 07:41:50 codeape

根据编辑建议，作者使用了docx模块。 –

如果在服务器端，您可以使用OpenOffice，那么你可以使用unoconv: Convert between any document format supported by OpenOffice

来源

2011-07-28 08:18:56

一个可能的解决方案是使用谷歌文档提取二进制.DOC，文件中的文本内容。您将文档上传到Google文档，然后下载文本内容。这是一个相当缓慢的过程，但它是我所知道的唯一的“纯Python”解决方案，因为除了网络访问外，它不需要任何外部工具。如果您允许将其安装在主机上，则可以使用外部工具（如catdoc或antiword），这是一个更好的解决方案。

来源

2011-07-28 12:13:58

Textract使用每种文件的默认工具。

https://github.com/deanmalmgren/textract

来源

2014-08-15 12:49:36 enthus1ast

解决方案将PDF，DOC，DOCX转换为python文本格式

回答

相关问题