（给机器学习算法与Python学习加星标，提升AI技能）

本文由开源中国（oschina2013）整理

以下是一些 Python 编写的用来解析和操作特殊文本格式的库，希望对大家有所帮助。

01

Tablib

https://www.oschina.net/p/Tablib

Tablib 是一个用来处理与表格格式数据有关的 Python 库，允许导入、导出、管理表格格式数据，并具备包括切片、动态列、标签和过滤，以及格式化导入和导出等高级功能。

Tablib 支持导出/导入的格式包括：Excel 、JSON 、YAML 、HTML 、TSV 和 CSV ，暂不支持 XML 。

 1>>> data = tablib.Dataset(headers=[ First Name ,  Last Name ,  Age ])2>>> for i in [( Kenneth ,  Reitz , 22), ( Bessie ,  Monke , 21)]:3...     data.append(i)456>>> print(data.export( json ))7[{"Last Name": "Reitz", "First Name": "Kenneth", "Age": 22}, {"Last Name": "Monke", "First Name": "Bessie", "Age": 21}]89
10>>> print(data.export( yaml ))
11- {Age: 22, First Name: Kenneth, Last Name: Reitz}
12- {Age: 21, First Name: Bessie, Last Name: Monke}
13
14
15>>> data.export( xlsx )
16<censored binary data>
17
18
19>>> data.export( df )
20  First Name Last Name  Age
210    Kenneth     Reitz   22
221     Bessie     Monke   21

02

Openpyxl

https://www.oschina.net/p/openpyxl

Openpyxl 是一个用于读写 Excel 2010 xlsx / xlsm / xltx / xltm 文件的 Python 库。

Openpyxl 为 Python 原生读取/写入 Office Open XML 格式而生，最初是基于 PHPExcel 而开发。

 1from openpyxl import Workbook2wb = Workbook()345# grab the active worksheet6ws = wb.active789# Data can be assigned directly to cells
10ws[ A1 ] = 42
11
12
13# Rows can also be appended
14ws.append([1, 2, 3])
15
16
17# Python types will automatically be converted
18import datetime
19ws[ A2 ] = datetime.datetime.now()
20
21
22# Save the file
23wb.save("sample.xlsx")

03

unoconv

https://www.oschina.net/p/unoconv

unoconv，全称为 Universal Office Converter ，是一个命令行工具，可在 LibreOffice/OpenOffice 支持的任意文件格式之间进行转换。

unoconv 支持批量转换文档，还可以结合 asciidoc和 docbook2odf / xhtml2odt 来创建 PDF 或 Word（.doc） 文件。

1[dag@moria cv]$ make odt pdf html doc
2rm -f *.{odt,pdf,html,doc}
3asciidoc -b docbook -d article -o resume.xml resume.txt
4docbook2odf -f --params generate.meta=0 -o resume.tmp.odt resume.xml
5Saved resume.tmp.odt
6unoconv -f odt -t template.ott -o resume.odt resume.tmp.odt
7unoconv -f pdf -t template.ott -o resume.pdf resume.odt
8unoconv -f html -t template.ott -o resume.html resume.odt
9unoconv -f doc -t template.ott -o resume.doc resume.odt

04

PyPDF2

https://www.oschina.net/p/pypdf

PyPDF2 是一个纯 Python PDF 库，能够分割、合并、裁剪和转换 PDF 文件页面。它还可以添加自定义数据、查看选项和密码到 PDF 文件。

PyPDF2 可以从 PDF 中检索文本和元数据，也可以将整个文件合并在一起。

 1from PyPDF2 import PdfFileWriter, PdfFileReader234output = PdfFileWriter()5input1 = PdfFileReader(open("document1.pdf", "rb"))678# print how many pages input1 has:9print "document1.pdf has %d pages." % input1.getNumPages()
10
11
12# add page 1 from input1 to output document, unchanged
13output.addPage(input1.getPage(0))
14
15
16# add page 2 from input1, but rotated clockwise 90 degrees
17output.addPage(input1.getPage(1).rotateClockwise(90))
18
19
20# add page 3 from input1, rotated the other way:
21output.addPage(input1.getPage(2).rotateCounterClockwise(90))
22# alt: output.addPage(input1.getPage(2).rotateClockwise(270))
23
24
25# add page 4 from input1, but first add a watermark from another PDF:
26page4 = input1.getPage(3)
27watermark = PdfFileReader(open("watermark.pdf", "rb"))
28page4.mergePage(watermark.getPage(0))
29output.addPage(page4)
30
31
32
33
34# add page 5 from input1, but crop it to half size:
35page5 = input1.getPage(4)
36page5.mediaBox.upperRight = (
37    page5.mediaBox.getUpperRight_x() / 2,
38    page5.mediaBox.getUpperRight_y() / 2
39)
40output.addPage(page5)
41
42
43# add some Javascript to launch the print window on opening this PDF.
44# the password dialog may prevent the print dialog from being shown,
45# comment the the encription lines, if that s the case, to try this out
46output.addJS("this.print({bUI:true,bSilent:false,bShrinkToFit:true});")
47
48
49# encrypt your new PDF and add a password
50password = "secret"
51output.encrypt(password)
52
53
54# finally, write "output" to document-output.pdf
55outputStream = file("PyPDF2-output.pdf", "wb")
56output.write(outputStream)

05

Mistune

http://mistune.readthedocs.io/

Mistune 是一个纯 Python 实现的 Markdown 解析器，功能齐全，包括表格、注释、代码块等。

Mistune 据称是所有纯 Python markdown 解析器中速度最快的（基准测试结果）。它在设计时考虑了模块化，以提供一个清晰易用的可扩展的 API 。

1import mistune
2
3
4mistune.markdown( I am using **mistune markdown parser** )
5# output: <p>I am using <strong>mistune markdown parser</strong></p>

06

csvkit

https://www.oschina.net/p/csvkit

csvkit 号称是处理 csv 文件的瑞士军刀，集成了 csvlook ， csvcut 和 csvsql 等实用工具，可以以表格形式显示 CSV 文件，轻松选取 CSV 指定列，以及在其上执行 SQL 操作。

csvkit 是一个命令行工具，灵感来自 pdftk 、gdal 和其它类似工具。

推荐阅读
经历过这三个NLP项目的洗礼，成功拿下NLP算法Offer！
10 款好用到爆的 Vim 插件，你用过几个？
【伯克利】400 页 PPT 带你丝滑入门机器学习，知识点全面覆盖
【收藏】万字综述，核心开发者全面解读PyTorch内部机制Python 入门神图