从python中的MS word文件中提取文本

Question

从python中的MS word文件中提取文本为了在python中使用MS word文件，有python win32扩展，可以在windows中使用。我如何在linux中做同样的事情？有图书馆吗？

Answer 1

您可以对antiword进行子进程调用。Antiword是一个linux命令行实用程序，用于从单词doc中转储文本。适用于简单文档（显然它会丢失格式）。它可以通过apt，也可以作为RPM，或者你可以自己编译。

Answer 2

使用本机Python docx模块。以下是如何从doc中提取所有文本：

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

请参阅Python DocX站点

还可以查看Textract，它可以拉出表格等。

使用正则表达式解析XML会调用cthulu。不要这样做！