推荐学习书目
› Learn Python the Hard Way
Python Sites
› PyPI - Python Package Index
› http://diveintopython.org/toc/index.html
› Pocoo
值得关注的项目
› PyPy
› Celery
› Jinja2
› Read the Docs
› gevent
› pyenv
› virtualenv
› Stackless Python
› Beautiful Soup
› 结巴中文分词
› Green Unicorn
› Sentry
› Shovel
› Pyflakes
› pytest
Python 编程
› pep8 Checker
Styles
› PEP 8
› Google Python Style Guide
› Code Style from The Hitchhiker's Guide
这是一个创建于 628 天前的主题，其中的信息可能已经有所发展或是发生改变。
想提取 word 97 到 2003 的.doc 文件的文本内容，但看了一圈只找到依赖于 antiword 、apache poi 、libreoffce 或者直接用 win32com 调用 msoffice 之类，有没有只需要装模块（ windows 下离线使用）不用额外装其他软件的解决方法？ 搜索了一下看见有一个 olefile 模块，但是需要自己研究 word 文件的文件结构，看了一下资料不但全英文还相当复杂搞不来。。。
 |
1
pppan 2023-03-04 22:49:10 +08:00
|
 |
2
PolarBears 2023-03-04 23:11:35 +08:00
考虑下先转成 docx 再操作?毕竟是私有格式直接操作可能不太好弄
|
 |
3
pcell OP 楼上两位说的 docx 我也有用，问题是现存好一些并非保管在我手上的.doc 需要提取文本，比较无奈。
|
 |
4
ysc3839 2023-03-05 03:04:02 +08:00 via Android
catdoc 不行吗？
|
 |
5
mingl0280 2023-03-05 08:30:21 +08:00 via Android
可以自己看二进制 OLE 格式啊，反正微软有文档，自己写一个问题不大吧？
|
 |
6
zhzy 2023-03-05 15:33:45 +08:00
建议打包一个 libreoffice. 自己搞那不是一般复杂, 文档接近 600 页, 不太可能一个人短时间重新实现一遍. pandoc 都不愿意做: [Feature request: support .doc (old MS Word) format · Issue #5809 · jgm/pandoc]( https://github.com/jgm/pandoc/issues/5809)
|
 |
7
byron 2023-03-05 16:13:36 +08:00
antiword 了解下。
|
|
8
pcell OP |
Select Language