读写csv文件-PDF文件-docx文件

最新推荐文章于 2021-02-11 02:55:30 发布

zhang_Ming_lu

最新推荐文章于 2021-02-11 02:55:30 发布

阅读量4.2w

点赞数 1

分类专栏： Python

本文链接：https://blog.csdn.net/zhang_Ming_lu/article/details/80865904

版权

Python 专栏收录该内容

19 篇文章 2 订阅

订阅专栏

csv文件

  
  with open('./file/MontyPythonAlbums.csv', 'r') as f:
      with open('test.csv', 'w') as t:
  
          csvReader = csv.reader(f) # 读取文件
          for row in csvReader:
              print(row)
              writer = csv.writer(t)
              # 写入文件  注意的是这里的 row 是一个列表， 里面是一行所有字段的信息
              writer.writerow(row)
              # 写入多行
              # writer.writerows(row1, row2, row3)

PDF文件

PDFMiner3K 库可以操作 PDF 文件, 适用于 python3.x版本
pip install PDFMiner3K

读取PDF文件

  
  
  from pdfminer.pdfinterp import PDFResourceManager, process_pdf
  from pdfminer.converter import TextConverter
  from pdfminer.layout import LAParams
  from io import StringIO
  
  
  def readPDF(pdfFile):
      rsrcmgr = PDFResourceManager()
      retstr = StringIO()
      laparams = LAParams()
      # 默认 pageno=1
      device = TextConverter(rsrcmgr=rsrcmgr, outfp=retstr, laparams=laparams)
      
      process_pdf(rsrcmgr=rsrcmgr, device=device, fp=pdfFile)
  
      device.close()
      content = retstr.getvalue()
      retstr.close()
      return content

word 文档

.doc .docx 文档

python-docx库，只是支持创建文档和读取一些文档的基本数据，入文件的大小和标题，不支持正文的读取

代码- 正则匹配读取，还可以使用 bs4 和 lxml 读取

  
  
  import re
  from zipfile import ZipFile
  from io import BytesIO, StringIO
  
  
  def readDocx(filePath):
      """
      读取 .docx 文件
      
      :param filePath: 文件路径 
      :return:  文件内所有内容的列表
      """
      with open(filePath, 'rb',) as f:
          wordFile = f.read()
          # 二进制文件
          wordFile = BytesIO(wordFile)
          # 因为所有的 .docx 文件都是经过压缩的， 所以需要进行解压
          document = ZipFile(wordFile)
          # 读取文件， 指定文件的格式为 xml
          xml_content = document.read('word/document.xml')
          # 正则匹配 需要的内容
          content_str = xml_content.decode('utf-8')
          pattern = re.compile(r'<w:t[>](.*?)</w:t>', re.S)
          content_list = re.findall(pattern, content_str)
          return content_list

bs4 和 xpath 读取 - 未能抓取到需要的 <w:t></w:t> 元素

失败代码

  
  def readDocx(wordFile):
      """
      读取 .docx 文件的内容
      :param wordFile:  目标文件
      :return: 文档的文字内容
      """
      content = StringIO()
      # 获取网络文档
      wordFile = BytesIO(wordFile)
      # 因为所有的 .docx 文件都是经过压缩的， 所以需要进行解压
      document = ZipFile(wordFile)
      # 读取文件， 指定文件的格式为 xml
      xml_content = document.read('word/document.xml')
  
      # wordObj = BeautifulSoup(xml_content.decode('utf-8'), 'lxml')
      # 所有的正文内容都在 <w:t> 标签中， 标题也是一样， 标题只是在外面套了一层标签
      # textStrings = wordObj.findAll("w:t")
  
      # # 通过 etree 获取  传入 bytes 对象即可
      # wordObj = etree.HTML(xml_content)
      # textStrings = wordObj.xpath('//*w:t')
  
      # 正则匹配
      content = xml_content.decode('utf-8')
      pattern = re.compile(r'<w:t[>](.*?)</w:t>', re.S)
      textStrings = re.findall(pattern, content)
      print(textStrings)
      for textElem in textStrings:
          c = textElem
          print(c)
  
      # return content