基于Python的文档元数据解析器？

Question

有没有人知道在类似Unix的系统中，用Python处理文档元数据的好工具？在Java中，apache tika 非常不错。

请不要推荐商业软件，谢谢 :)

谢谢大家！

Answer 1

如果你喜欢tika，你可以使用Jython，这样你就可以直接使用tika了。

Answer 2

你不一定要用Jython来使用Tika。你可以通过一个叫做JCC的工具，从Python中调用Java。你可以在这里找到一些不错的使用说明。

在安装JCC的时候，你需要使用提供的两个补丁中的一个，来让setuptools能够构建共享对象。我在Ubuntu 10.04上使用的是c7版本，效果不错。

另外一个选择是使用Python的subprocess模块，这样可以调用Tika并捕获它的输出。

Answer 3

hachoir_metadata 在处理 Excel 文档时表现得非常好。你可以在这里找到更多信息：http://bitbucket.org/haypo/hachoir/wiki/Home