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/。

python下wordpdf转换总结相关推荐

python下的日期与时间（时间格式转换、时间戳处理，时间差处理）
python下的日期与时间一.在Python中,时间主要有三种表示形式, 1.时间戳(TimeStamp):1970年1月1日之后的秒 2.时间元组格式化形式包含了:年.日.星期得到time.s ...
使用Python，OpenCV转换颜色空间，追踪对象的轨迹
使用Python,OpenCV转换颜色空间,追踪对象的轨迹 1. 效果图 2. 源码参考这篇博客可以看作是之前俩篇博客的融合,将介绍如何使用Python,OpenCV转换颜色空间,并利用HSV追踪 ...
基于Python实现图画转换字符画
微信改版,加星标不迷路! 基于Python实现图画转换字符画作者:阿广概述前言准备工作识别原理静态图像处理动态图像处理结果阿广说群聊交流福利一刻推荐阅读前言前几天写了基于P ...
基于Python下的Apriltag检测
简介: 在Windows下下载Aprilttags检测工具包,对于图片中的Apriltag检测进行了初步的实验. 关键词: Apriltag #mermaid-svg-ycUj7DuM4cfFAv9 ...
python中文字符串编码_浅谈python下含中文字符串正则表达式的编码问题
前言 Python文件默认的编码格式是ascii ,无法识别汉字,因为ascii码中没有中文. 所以py文件中要写中文字符时,一般在开头加 # -*- coding: utf-8 -*- 或者 #co ...
python json.loads()中文问题-解决Python下json.loads()中文字符出错的问题
Python:2.7 IDE:Pycharm5.0.3 今天遇到一个问题,就是在使用json.load()时,中文字符被转化为Unicode码的问题,解决方案找了半天,无解.全部代码贴出,很简单的一个 ...
scrapy笔记——python的时间转换
1 import datetime 2 GMT_FORMAT = '%M %H %d %m %w' 3 datetime.datetime.utcnow().strftime(GMT_FORMAT) ...
Py之GUI：Python下各种GUI(图形用户界面)简介、使用优缺点对比
Py之GUI:Python下各种GUI(图形用户界面)简介.使用优缺点对比目录 GUI Python下各种GUI简介.使用优缺点对比 Python下各种GUI更多官权威介绍 GUI 图形用户界面(G ...
python读取raw数据文件_在python下读取并展示raw格式的图片实例
raw文件可能有些人没有,因此,先用一张图片创建一个raw格式的文件(其实可以是其他类型的格式文件) import numpy as np import cv2 img = cv2.imread('c ...

python下wordpdf转换总结

python下wordpdf转换总结

python下wordpdf转换总结相关推荐

最新文章

热门文章