linux上用python读取doc文档,python处理doc方法

在linux上用PHP读取WORD文档,其实是使用了 antiword程序把word文档转化为txt文档。

 

再使用php执行系统命令调用而已。

 

具体操作如下:

 

1、安装antiword

 

官方站:http://www.winfield.demon.nl/

 

下载地:http://www.winfield.demon.nl/linux/antiword-0.37.tar.gz

 

下载完,解压,进入目录

 

tar xvzf antiword-0.37.tar.gz

 

cd antiword-0.37

 

make && make install

 

即可完成安装。

 

安装时,自动安装到了/root/目录下,只有root才可执行该命令,我们需要改一下路径,COPY到/usr中方便调用。

 

cp /root/bin/*antiword /usr/local/bin/
mkdir /usr/share/antiword
cp -R /root/.antiword/* /usr/share/antiword/
chmod 777 /usr/local/bin/*antiword
chmod 755 /usr/share/antiword/*

 

以上操作以后即可在任意用户调用 antiword命令。

linux 平台转换txt:

# coding:utf-8
#!/user/bin/python
import subprocess
import tempfile
def chang2txtbyantiword(fpath, tpath):
    """通过antiword读取doc,需要安装antiword,目前仅用于linux(详情见:http://www.winfield.demon.nl)
    wget http://www.winfield.demon.nl/linux/antiword-0.37.tar.gz
    tar -xvf antiword-0.37.tar.gz
    cd antiword-0.37
    make && make install 
    @param fp: 相对文件路径"""
    try:
        com = "antiword -m UTF-8.txt -t " + fpath + " > "+ tpath
        out_temp = tempfile.SpooledTemporaryFile(bufsize=10*1000)
        fileno = out_temp.fileno()
        obj  = subprocess.Popen(com, shell=True,stdout=fileno,stderr=fileno)
        output = obj .wait()
        out_temp.seek(0)
        lines = out_temp.readlines()

        if output == 0:  # 执行成功
            return True
        return False
    except:
        return False
    finally:
        if out_temp:
            out_temp.close()

a = "/data/appsystems/appSvr00/media/upload/doc/20170510/71d60eb8-3564-11e7-995c-000c29eb773f.doc"
b = "/data/appsystems/appSvr00/media/upload/txt/20170510/71d60eb8-3564-11e7-995c-000c29eb773f.txt"
chang2txtbyantiword(a, b)

直接读取doc文件:

# -*- encoding: utf8 -*-
import subprocess
output = subprocess.check_output(["antiword", "test.doc"])

windows doc转docx:

# coding:utf-8
#!/user/bin/python
def changedoc2docxbywin32(fpath, tpath):
    """把doc文件转换为docx因为用到win32com,所以仅支持windows系统
    @param fpath: 文件绝对路径,不能包含中文
    @param tpath: 文件绝对保存路径,不能包含中文"""
    try:
        from win32com import client
        import pythoncom
        pythoncom.CoInitialize()
        word = client.DispatchEx('Word.Application')  # 独立进程
        word.Visible = 0    # 不显示
        word.DisplayAlerts = 0  # 不警告
        doc = word.Documents.Open(fpath)
        doc.SaveAs(tpath, 12)  # 参数16是保存为doc,转化成docx是12
        doc.Close()
        word.Quit()
        return True
    except:
        if doc:
            doc.Close()
        word.Quit()
        return False

 

读取docx和txt

# coding:utf-8
# !/user/bin/python
import os
from docx import Document
def readDocx(docName, separated_rows=0, addStr=''):
    """获取docx的文档中的所有文字,不管格式,暂不支持doc格式每line行
    @param separated_rows: int 相隔行数
    @param addStr: str 追加的字符
    """
    TotalPage = 1  # 页数
    extension = os.path.splitext(docName)[1]  # 文件后缀名
    separated_rows = int(separated_rows)  # 需要隔separated_rows行追加字符
    if extension == ".txt":
        with open(docName) as f:
            if separated_rows != 0:  # 需要隔行追加字符
                docText = '<br>'.join(
                    paragraph + addStr if index % separated_rows == 0 else paragraph for index, paragraph in
                    enumerate(f))
                docText = docText.replace(addStr, "", 1)  # 第一行不需要分页符
                TotalPage = docText.count(addStr) + 1  # 页数统计
            else:
                docText = '<br>'.join(paragraph for paragraph in f)  # 生成迭代器,然后加入回车换行,比起生成列表需要更少内存,此情况迭代器的括号可省略
    elif extension == ".docx":
        paras = Document(docName)
        if separated_rows != 0:  # 需要隔行追加字符
            docText = '<br>'.join(
                paragraph.text.encode('utf-8') + addStr if index % separated_rows == 0 else paragraph.text.encode(
                    'utf-8') for index, paragraph in enumerate(paras.paragraphs))
            docText = docText.replace(addStr, "", 1)  # 第一行不需要分页符
            TotalPage = docText.count(addStr) + 1  # 页数统计
        else:
            docText = '<br>'.join(paragraph.text.encode('utf-8') for paragraph in
                                  paras.paragraphs)  # 生成迭代器,然后加入回车换行,比起生成列表需要更少内存,此情况迭代器的括号可省略
    else:
        docText = ""
    return docText, TotalPage

 

    原文作者:python入门
    原文地址: https://my.oschina.net/yves175/blog/897398
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞