如何使用Python读取Google文档中的纯文本？

Question

我正在尝试通过一个Python脚本读取Google文档的原始文本内容（只是普通文档，不是电子表格或演示文稿），但到目前为止还没有成功。

这是我尝试过的：

import gdata.docs.service
client = gdata.docs.service.DocsService()
client.ClientLogin('email', 'password')
q = gdata.docs.service.DocumentQuery()
q.AddNamedFolder('email', 'Folder Name')
feed = client.Query(q.ToUri())
doc = feed.entry[0] # extract one of the documents

然而，这个变量doc，类型是gdata.docs.DocumentListEntry，似乎不包含任何内容，只是关于文档的一些元信息。

我是不是做错了什么？有没有人能给我指个方向？谢谢！

Answer 1

更新（2019年3月） 好消息！现在可以使用Google Docs REST API了。关于它的更多信息，可以参考我在类似问题上的回答。为了帮助你入门，这里有一个官方的Python快速入门示例，教你如何获取Google文档的标题。

下面提到的Apps Script和Drive REST API的解决方案仍然有效，它们是获取Google文档内容的其他方法。（Drive API支持Python 2和3，但Apps Script仅支持JavaScript。）

总结：如果你想下载整个文档的纯文本，Drive API的解决方案是最好的。如果你想对文档的不同部分进行编程操作，那么你必须使用Docs API或Apps Script。

（2017年2月） 原帖中的代码和唯一的其他答案现在都过时了，因为ClientLogin认证在2012年就被弃用了，而GData API是Google API的前一代。虽然并不是所有的GData API都被弃用，但所有新的Google API都不使用Google数据协议。

目前没有可用的Google Docs文档的REST API，尽管有一个由Google Apps Script提供的“类似API”的服务，这是一个基于云的JavaScript解决方案，可以通过其DocumentService对象访问Google Docs，包括Docs附加组件。

如果你想从Google文档中读取纯文本，可以考虑使用文件级别的访问，这时你应该使用Google Drive API。以下是使用Drive API的示例：

• 将Google表格导出为CSV（博客文章）
• “穷人的纯文本转PDF”转换器（博客文章）(*)

(*) - 简而言之：将纯文本文件上传到Drive，导入/转换为Google Docs格式，然后将该文档导出为PDF。上面的帖子使用的是Drive API v2；这篇后续文章描述了如何迁移到Drive API v3，还有一个开发者视频结合了两个“穷人的转换器”帖子。

原帖的解决方案是执行与上面两个帖子中类似的操作，但确保使用的是text/plain导出MIME类型。有关从Drive导入/导出其他格式的信息，请查看这个相关问题的回答以及从Drive下载文件的文档页面。以下是一些伪代码，它会在我的Drive文件夹中搜索名为“Hello World”的Google Docs文档，并在屏幕上显示找到的第一个匹配文件的内容（假设DRIVE是你的API服务端点）：

from __future__ import print_function

NAME = 'Hello World'
MIME = 'text/plain'

# using Drive API v3; if using v2, change 'pageSize' to 'maxResults',
# 'name=' to 'title=', and ".get('files')" to ".get('items')"
res = DRIVE.files().list(q="name='%s'" % NAME, pageSize=1).execute().get('files')
if res:
    fileID = res[0]['id']  # 1st matching "Hello World" name
    res = DRIVE.files().export(fileId=fileID, mimeType=MIME).execute()
    if res:
        print(res.decode('utf-8')) # decode bytes for Py3; NOP for Py2

如果你需要更多信息，可以查看这些视频，了解如何使用Google API进行设置、OAuth2授权，以及创建Drive服务端点以列出你的Drive文件，还有一篇对应的博客文章。

想了解更多关于如何使用Python与Google API的信息，可以查看我的博客以及各种Google开发者视频（系列1和系列2）。

Answer 2

一个 DocumentQuery 不会把所有文档和它们的内容都返回给你——那样会花费很长时间。它只会返回一个文档的列表，并附带每个文档的一些基本信息（元数据）。其实，如果我没记错的话，你可以通过这种方式获取一个预览页面，所以如果你的文档只有一页，那可能就够用了……

接下来，你需要通过另一个请求来下载内容。content 元素有一个 type（也就是MIME类型）和一个 src（指向实际数据的URL）。你只需要下载这个 src，然后解析它。不过，你可以通过添加一个 exportFormat 参数来覆盖默认的类型，这样就不需要进行解析了。

可以查看文档中的 下载文档和文件 部分，里面有个例子展示了如何下载文档并指定格式。（虽然是用 .NET 而不是 Python，而且使用的是 HTML 而不是纯文本，但你应该能搞明白的。）