python將Microsoft Office文檔轉換為Linux上的純文本

Question

關於使用python在Linux上將.doc，.ppt和.xls轉換為純文本的方法的任何建議？ 實際上，任何轉換方法都是有用的。 我已經考慮過使用Open Office，但是，我想要一個不需要安裝Open Office的解決方案。

Answer 1

我將使用命令行解決方案（然后使用Python子過程模塊從Python運行工具）。

可以在以下位置（以源代碼形式）找到msword（ catdoc ），excel（ xls2csv ）和ppt（ catppt ）的轉換器： http : //vitus.wagner.pp.ru/software/catdoc/ 。

不能真正評論catppt的有用性，但是catdoc和xls2csv可以很好地工作！

但是請確保首先搜索您的發行版存儲庫...例如，在ubuntu上，catdoc只是一個不錯的選擇。

Answer 2

您可以通過Python API訪問OpenOffice 。

嘗試以此為基礎： http : //wiki.services.openoffice.org/wiki/Odt2txt.py

Answer 3

用於將Microsoft Office文檔轉換為HTML或其他格式的常用工具是mswordview，此工具現已重命名為vwWare 。

如果您正在尋找命令行工具，他們實際上建議使用AbiWord執行轉換：

AbiWord --to=txt

如果要查找庫，請從wvWare概述頁面開始 。 他們還維護讀取MS Office文檔的庫和工具的列表 。

Answer 4

在命令行中， antiword或wv對於.doc文件非常有效。 （不是Python解決方案，但它們易於安裝且速度很快。）

Answer 5

這里同樣的問題。 下面是我的簡單腳本，該腳本使用catdoc將dir'docs /'中的所有文檔文件轉換為dir'txts /'。 希望它能幫助某人：

#!/usr/bin/env python 
# -*- coding: utf-8 -*-

import glob, re, os
f = glob.glob('docs/*.doc') + glob.glob('docs/*.DOC')

outDir = 'txts'
if not os.path.exists(outDir):
    os.makedirs(outDir)
for i in f:
    os.system("catdoc -w '%s' > '%s'" %
              (i, outDir + '/' + re.sub(r'.*/([^.]+)\.doc', r'\1.txt', i,
                                   flags=re.IGNORECASE)))

Answer 6

對於處理Excel Spreadsheets xlwt很好。 但這對.doc和.ppt文件沒有幫助。

（您可能還聽說過PyExcelerator。xlwt是其中的一個分支，並且得到了更好的維護，因此我認為xlwt會更好。）

Answer 7

我強烈建議使用Tika。 它處理Pdf，Doc，Docx等。
這是示例代碼。
https://medium.com/@justinboylantoomey/fast-text-extraction-with-python-and-tika-41ac34b0fe61

祝好運

Answer 8

在使用XSLT將基於XML的Office文件處理成過去可用的東西方面，我已經取得了一些成功。 它不一定是基於python的解決方案，但確實可以完成工作。