jjzjj

Python — 解析文件(docx、pdf 和 odt)并将内容转换为我的数据模型

codeneng 2023-03-28 原文

Python -- Parsing files (docx, pdf and odt) and converting the content into my data model

我正在编写一个导入/导出工具，用于导入 docx、pdf 和 odt 文件；其中写了一本书。

我们已经有了一个用于 .epub 格式的工具，并且我们希望在此基础上扩展功能，以便该网站的用户可以拥有更大的灵活性。

到目前为止，我查看了 PDFMiner，还发现 docx 只是基于 openxml 格式，所以 word/document.xml 本质上是包含整个内容的文件，我可以用 lxml 解析它。

我的问题是：我希望解析这些文件的内容，并从该内容中提取章节名称、图像(如果有)和章节文本等内容，以便将内容放入数据模型：

1
Book --> o2m --> Chapter --> o2m --> Image

很明显，PDFMiner 有一个 .get_outlines() 函数可以为我返回 TOC。但它不能将任何返回的元组(章节编号和标题)链接到该章节的实际页面。

更成问题的是 docx/odt；这些只是段落 -- <\\\\w:sdt> -- 元素，带有 attrs 和子元素。

我正在寻找从这些文件类型中推断出某种结构感的想法，如果需要，我可以将这些想法(2 或 3)应用为我们希望通过以下方式导入书籍的用户的建议格式这些文件格式之一。

  • 有趣的项目。它是一个开源项目吗？
  • @Trimax 不幸的是没有。这是一个商业网站。
  • 很遗憾，我正在寻找一个与之合作的项目。
  • @Trimax 我明天会和我的老板谈谈开源它。我也许能说服他们
  • 输入 docx 是否使用通用模板或以其他方式遵循已知/可预测的样式集？
  • @JasonPlutext 那是我希望提出的结构。我考虑过解析 14 pt 标题和 12 pt 正文
  • @Trimax 与老板交谈，他们同意将其开源。你愿意帮忙吗？
  • @SamHammamy 我需要更多地了解这个项目，你必须知道我是 OOP 的菜鸟，但如果你需要我的帮助，那肯定是的。
  • @Trimax 请在 samATtowerbabelDOTcom 给我发电子邮件

Textract 是迄今为止我遇到的用于解析不同文件格式的最佳工具。

它可以解析大多数文件格式。

你可以在 Github 上找到该项目

这里是官方文档

(Python 3 答案)

当我在寻找一种读取 .docx 文件的工具时，我在这里找到了一个：http://etienned.github.io/posts/extract-text-from-word-docx-simply/

它所做的只是从 .docx 文件中获取文本并将其作为字符串返回；单独的段落仍然明显分开，因为之间有新的行，但所有其他格式都丢失了。我认为这可能包括丢失尾注和脚注，但如果你想要正文，它会很好。

我在 Windows 10 和 OS X 上都对其进行了测试，并且在两者上都成功运行。这是它导入的内容：

1
2
3
4
5
6
7
import zipfile
try:
    from xml.etree.cElementTree import XML
    print("cElementTree")
except ImportError:
    from xml.etree.ElementTree import XML
    print("ElementTree")

编辑：

如果在函数体中替换

1
'word/document.xml'

与

1
'word/footnotes.xml'

或

1
'word/endnotes.xml'

你可以分别得到脚注和尾注。

但是，它们在文本中所在位置的标记丢失了。

  • 您可以将其用于 odt，但您需要更改以下几行：

并将Pythonsectionspanclassdocxepubodtparsingpython

有关Python — 解析文件(docx、pdf 和 odt)并将内容转换为我的数据模型的更多相关文章

  1. Ruby 解析字符串 - 2

    我有一个字符串input="maybe(thisis|thatwas)some((nice|ugly)(day|night)|(strange(weather|time)))"Ruby中解析该字符串的最佳方法是什么？我的意思是脚本应该能够像这样构建句子:maybethisissomeuglynightmaybethatwassomenicenightmaybethiswassomestrangetime等等，你明白了......我应该一个字符一个字符地读取字符串并构建一个带有堆栈的状态机来存储括号值以供以后计算，还是有更好的方法？也许为此目的准备了一个开箱即用的库？

  2. ruby - 使用 RubyZip 生成 ZIP 文件时设置压缩级别 - 2

    我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看ruby​​zip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d

  3. ruby - 其他文件中的 Rake 任务 - 2

    我试图在一个项目中使用rake，如果我把所有东西都放到Rakefile中，它会很大并且很难读取/找到东西，所以我试着将每个命名空间放在lib/rake中它自己的文件中，我添加了这个到我的rake文件的顶部:Dir['#{File.dirname(__FILE__)}/lib/rake/*.rake'].map{|f|requiref}它加载文件没问题，但没有任务。我现在只有一个.rake文件作为测试，名为“servers.rake”，它看起来像这样:namespace:serverdotask:testdoputs"test"endend所以当我运行rakeserver:testid时

  4. ruby-on-rails - 在 Rails 中将文件大小字符串转换为等效千字节 - 2

    我的目标是转换表单输入，例如“100兆字节”或“1GB”，并将其转换为我可以存储在数据库中的文件大小(以千字节为单位)。目前，我有这个:defquota_convert@regex=/([0-9]+)(.*)s/@sizes=%w{kilobytemegabytegigabyte}m=self.quota.match(@regex)if@sizes.include?m[2]eval("self.quota=#{m[1]}.#{m[2]}")endend这有效，但前提是输入是倍数(“gigabytes”，而不是“gigabyte”)并且由于使用了eval看起来疯狂不安全。所以，功能正常，

  5. python - 如何使用 Ruby 或 Python 创建一系列高音调和低音调的蜂鸣声？ - 2

    关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。

  6. ruby-on-rails - Rails 3 中的多个路由文件 - 2

    Rails2.3可以选择随时使用RouteSet#add_configuration_file添加更多路由。是否可以在Rails3项目中做同样的事情？ 最佳答案 在config/application.rb中:config.paths.config.routes在Rails3.2(也可能是Rails3.1)中，使用:config.paths["config/routes"] 关于ruby-on-rails-Rails3中的多个路由文件，我们在StackOverflow上找到一个类似的问题

  7. ruby - 将差异补丁应用于字符串/文件 - 2

    对于具有离线功能的智能手机应用程序，我正在为Xml文件创建单向文本同步。我希望我的服务器将增量/差异(例如GNU差异补丁)发送到目标设备。这是计划:Time=0Server:hasversion_1ofXmlfile(~800kiB)Client:hasversion_1ofXmlfile(~800kiB)Time=1Server:hasversion_1andversion_2ofXmlfile(each~800kiB)computesdeltaoftheseversions(=patch)(~10kiB)sendspatchtoClient(~10kiBtransferred)Cl

  8. ruby - 如何将脚本文件的末尾读取为数据文件(Perl 或任何其他语言) - 2

    我正在寻找执行以下操作的正确语法(在Perl、Shell或Ruby中):#variabletoaccessthedatalinesappendedasafileEND_OF_SCRIPT_MARKERrawdatastartshereanditcontinues. 最佳答案 Perl用__DATA__做这个:#!/usr/bin/perlusestrict;usewarnings;while(){print;}__DATA__Texttoprintgoeshere 关于ruby-如何将脚

  9. ruby - 解析 RDFa、微数据等的最佳方式是什么，使用统一的模式/词汇(例如 schema.org)存储和显示信息 - 2

    我主要使用Ruby来执行此操作，但到目前为止我的攻击计划如下:使用gemsrdf、rdf-rdfa和rdf-microdata或mida来解析给定任何URI的数据。我认为最好映射到像schema.org这样的统一模式，例如使用这个yaml文件，它试图描述数据词汇表和opengraph到schema.org之间的转换:#SchemaXtoschema.orgconversion#data-vocabularyDV:name:namestreet-address:streetAddressregion:addressRegionlocality:addressLocalityphoto:i

  10. ruby - 使用 Vim Rails，您可以创建一个新的迁移文件并一次性打开它吗？ - 2

    使用带有Rails插件的vim，您可以创建一个迁移文件，然后一次性打开该文件吗？textmate也可以这样吗？ 最佳答案 你可以使用rails.vim然后做类似的事情::Rgeneratemigratonadd_foo_to_bar插件将打开迁移生成的文件，这正是您想要的。我不能代表textmate。 关于ruby-使用VimRails，您可以创建一个新的迁移文件并一次性打开它吗？，我们在StackOverflow上找到一个类似的问题： https://sta

随机推荐