用Python将PDF、DOC和DOCX转换为文本格式的解决方案

Question

我正在开发一个全文搜索引擎，目的是为了对常见的二进制格式进行索引。我知道已经有很多类似的问题（和解决方案），但我发现很难找到一个符合我需求的：

• 可以在不同平台上使用
• 同时支持DOC、DOCX和PDF格式
• 用Python很容易上手
• 可以在主要的共享主机上设置

Answer 1

如果你在服务器端可以使用OpenOffice，那么你可以使用 unoconv：这个工具可以在OpenOffice支持的任何文档格式之间进行转换

Answer 2

一个可能的解决办法是使用谷歌文档来提取二进制的.doc文件中的文本内容。你可以把文档上传到谷歌文档，然后再下载文本内容。这个过程比较慢，但这是我知道的唯一一种“纯Python”的解决方案，因为它只需要网络连接，不需要其他外部工具。如果你可以在你的电脑上安装外部工具，比如catdoc或antiword，那它们会是更好的选择。

Answer 3

• 对于PDF文件，我推荐使用PDFminer这个工具。
• 可以试试docx这个模块（我自己没有用过）。
• 我不知道有没有纯Python的模块可以读取.doc文件。
• 有一些命令行工具可以从.doc文件中提取文本，比如antiword和catdoc（可能还有其他工具）。如果你的共享主机上安装了这些工具，你可以用subprocess来调用它们。在Windows上可以通过Cygwin使用。
• Apache POI是一个Java库，可以从Office文档中提取文本。如果你的共享主机上安装了Java，你可以写一点Java（或者Jython）代码，然后用subprocess来执行。