用于DOC、DOCX和PDF的Python转换库
可能重复的问题：
用Python将PDF、DOC和DOCX转换为文本格式的解决方案
我正在制作一个文档搜索引擎，目的是对一些常见的二进制格式进行索引。我在寻找适合这个目的的Python库。
我发现可靠的转换工具很难找到。PyPDF的效果总是不太准确。请推荐：
- 可以将这些格式转换为文本的Python库
- 或者可以作为子进程调用的跨平台独立程序
2 个回答
1
你可以试试 Open Office。
它的转换能力还不错。如果你想编辑 PDF 文档，需要安装一个叫做 pdf import extension 的扩展。
还有一些可以和 Python 一起使用的扩展，比如 python-uno bridge，不过我在使用它的时候遇到了一些困难，通常我会选择把 Open Office 当作一个子程序来调用。
我刚注意到你在这里开了一个重复的问题：如何用 Python 将 PDF、DOC 和 DOCX 转换成文本格式...
1
- 你可以通过把
.docx文件解压缩来查看它的内容，然后在解压后的文件夹里找东西。具体可以参考这个链接：如何在Word 2007的.docx文件中搜索一个词？ - 如果你用的pyPDF不管用，可以试试用 pdftotext 这个工具，它可以作为一个子进程来使用。
.doc文件可能是最难处理的。你有没有考虑过使用COM脚本？也就是说，让Word打开这个文件并把它导出为文本？另外，还有一个Linux工具可以用来 从MS Word文件中提取文本。