广州网站建设咨询电话,金华婺城区建设局网站,wordpress主题 微博,美食网页设计素材文章目录 一、思路构建二、开始实现三、存在的问题3.1 解析doc文档遇到问题及解决方法#xff1a;3.2 解析ppt文档遇到问题及解决方法#xff1a; 四、读取pdf中的图片 一、思路构建
Zip文件和初始化文件放在同一个文件夹下#xff1b;然后解析zip文件读取到一个新的文件夹… 文章目录 一、思路构建二、开始实现三、存在的问题3.1 解析doc文档遇到问题及解决方法3.2 解析ppt文档遇到问题及解决方法 四、读取pdf中的图片 一、思路构建
Zip文件和初始化文件放在同一个文件夹下然后解析zip文件读取到一个新的文件夹下然后进入这个新的文件夹开始读取遇到新文件夹就进入读取所有的pdf、docs、doc、ppt并转为txt合并入新的txt
二、开始实现
安装环境
pip install python-pptx
pip install pdfplumber
pip install python-docx
apt-get install antiword
apt-get install libreoffice读取pptx 以文本在list里的形式返回如[“第一段”,“第二段”]
def _parse_pptx(self):if not os.path.isfile(self.file_path):print(f[WARNING] cant find {self.file_path})txt_list []prs Presentation(self.file_path)for slide in prs.slides:for shape in slide.shapes:if not shape.has_text_frame:continuefor paragraph in shape.text_frame.paragraphs:for run in paragraph.runs:txt_list.append(run.text)return txt_list 读取docx 以文本在list里的形式返回如[“第一段”,“第二段”]
def _parse_docx(self):if not os.path.isfile(self.file_path):print(f[WARNING] cant find {self.file_path})txt_list []doc Document(self.file_path)for paragraph in doc.paragraphs:txt_list.append(paragraph.text \n)return txt_list读取pdf 以文本在list里的形式返回如[“第一段”,“第二段”]
def _parse_pdf(self):if not os.path.isfile(self.file_path):print(f[WARNING] cant find {self.file_path})txt_list []with pdfplumber.open(self.file_path) as pdf:for page in pdf.pages:txt_list.append(page.extract_text())return txt_list三、存在的问题
.doc .ppt 如何处理docx中一些删除线的也会识别进来文档应该避免删除线这种形式应直接删除解压zip时中文乱码
3.1 解析doc文档遇到问题及解决方法
pip install pypiwin32报错
INFO: pip is looking at multiple versions of pypiwin32 to determine which version is compatible with other requirements. This could take a while.Using cached pypiwin32-219.zip (4.8 MB)Preparing metadata (setup.py) ... errorerror: subprocess-exited-with-error× python setup.py egg_info did not run successfully.│ exit code: 1╰─ [7 lines of output]Traceback (most recent call last):File string, line 2, in moduleFile pip-setuptools-caller, line 34, in moduleFile /tmp/pip-install-5ufsbmju/pypiwin32_d42420d9531d46289d9e8ad3dd35073f/setup.py, line 121print Building pywin32, pywin32_version^SyntaxError: Missing parentheses in call to print. Did you mean print(Building pywin32, pywin32_version)?[end of output]note: This error originates from a subprocess, and is likely not a problem with pip.
error: metadata-generation-failed× Encountered error while generating package metadata.
╰─ See above for output.note: This is an issue with the package mentioned above, not pip.
hint: See above for details.解决方法
以下方法可以解决但是python解析doc文档文字的中间会有莫名的换行符建议输入尽量用最新版的docx格式的文档。 在 Ubuntu 上读取 .doc 文件可以使用 antiword 工具它可以将 Microsoft Word 文档转换为文本。你可以通过安装 antiword 并在 Python 中使用 subprocess 模块来实现。
以下是一个示例代码
首先确保你已经安装了 antiword
sudo apt-get install antiword使用以下 Python 代码来读取 .doc 文件并将其转换为文本
import subprocessdef doc_to_text(doc_file):process subprocess.Popen([antiword, doc_file], stdoutsubprocess.PIPE)output, _ process.communicate()return output.decode(utf-8)# 示例用法
doc_file example.doc # 替换成你的.doc文件名
text doc_to_text(doc_file)# 将文本保存到txt文件
with open(output.txt, w, encodingutf-8) as file:file.write(text)在上述代码中我们定义了一个名为 doc_to_text 的函数它接受一个 .doc 文件的路径作为参数。函数使用 subprocess.Popen 调用 antiword将其输出捕获并将其解码为 UTF-8 字符串。
示例用法中你需要将 ‘example.doc’ 替换为你的 .doc 文件名。运行这段代码后它会将 .doc 文件的内容转换为文本并保存到名为 output.txt 的文本文件中。
请注意antiword 可能无法处理包含复杂格式、表格等的 .doc 文件。如果你需要处理这些特殊情况可能需要考虑使用更复杂的工具或库。
3.2 解析ppt文档遇到问题及解决方法
直接解析ppt发现很难这里把ppt转为pdf然后再把pdf转txt
环境
sudo apt install libreoffice代码
staticmethod
def convert_ppt_to_pdf(ppt_file, output_folder/home/gykj/thomascai/data/Archive1024/new_Archive.zip):output_file os.path.join(output_folder, os.path.splitext(os.path.basename(ppt_file))[0] .pdf)cmd fsoffice --headless --convert-to pdf --outdir {output_folder} {ppt_file}subprocess.run(cmd, shellTrue)print(fSuccessfully converted {ppt_file} to {output_file})return output_filedef _parse_ppt(self):output_file self.convert_ppt_to_pdf(self.file_path)self._set_file_path(output_file)self._parse_pdf()四、读取pdf中的图片
pip install PyMuPDF由于页与页之间的连接原因pdf转markdown先
(未完待续关注不迷路谢谢~)
