python下wordpdf转换总结



python下wordpdf转换总结

 

近期涉及到了关于doc文档读取的处理，也查了很久，为了便于大家使用，故集大成一下。

Doc文档读取有如下几种：

1、从doc读取文本

目前没有找到直接的方式，一般是先转为docx文件在处理。所使用工具为doc2doc(批量时可用)，或人工另存处理。

还有可以用antiword(依赖linux环境)，使用“./antiword” + doc文件名即可读取文件内容。

2、从docx读取文本

一般使用python-docx库的方法，但只支持创建新文档和读取一些基本的文件数据，如文件大小和文件标题，不支持正文读取。

或直接从docx中读取xml的方法。

3、从pdf读取文本

一般使用pdfminer3k库或pyPdf库。其中pyPdf用起来其实稍显麻烦，很多操作不够方便。pdfminer 对表格不友好，也可以将 PDF 转换为 text 文本，还可以转换为 HTML 等带有标签的文本。

还有一种可以用pdf2htmlex(非python)，先把pdf转html，接下来再用bs4来解析处理。这样的好处是处理html的工具非常非常丰富，且pdf2htmlex对原页面的效果保持得特别好，特别是对于那些个用word和latex导出的pdf里，大量数据图表里的标签可以很方便地提取所需的值。

4、把pdf中图存为jpg文件

一般可以使用PythonMagick库。

以上的代码处理，均在https://github.com/renwoxing2016/。