Python 读取各类文件格式的文本信息 | doc,excel,html,mht

引言

 

众所周知,python最强大的地方在于，python社区汇总拥有丰富的第三方库，开源的特性，使得有越来越多的技术开发者来完善。

 

python的完美性。

 

未来人工智能，大数据方向，区块链的识别和进阶都将以python为中心来展开。

 

咳咳咳！ 好像有点打广告的嫌疑了。

 

当前互联网信息共享时代，最重要的是什么?是数据。最有价值的是什么？是数据。最能直观体现技术水平的是什么?还是数据。

 

所以，今天我们要分享的是：如何来获取各个文件格式的文本信息。

 

普通文件的格式 一般分为: txt普通文本信息，doc word文档，html网页内容，excel表格数据，以及特殊的mht文件。

 

一、Python处理html网页信息

html类型的文本数据，内容是由前端代码书写的标签+文本数据的格式，可以直接在chrome浏览器打开，清楚 的展示出文本的格式。

python 获取html文件的内容和获取txt文件的方法相同，直接打开文件读取就可以了。

读取代码如下:

[code]with open(html_path, "r", encoding="utf-8") as f:
    file = f.read()

file 是html文件的文本内容。是一个网页标签的格式内容。

二、Python处理excel表格信息

python拥有直接操作excel表格的第三方库xlwt,xlrd。调用对应的方法就可以读写excel表格数据。

读取excel操作代码如下:

[code]filepath = "C:\\Users\Administrator\Desktop\新建文件夹\笨笨 前程6份 武汉.xls"
sheet_name = "UserList"
rb = xlrd.open_workbook(filepath)

sheet = rb.sheet_by_name(sheet_name)

# clox_list = [0, 9, 14, 15, 17]
for row in range(1, sheet.nrows):
   w = WriteToExcel()
   # for clox in clox_list:
   name = sheet.cell(row, 0).value
   phone = sheet.cell(row, 15).value
   address = sheet.cell(row, 9).value
   major = sheet.cell(row, 14).value
   age = sheet.cell(row, 8).value

其中row是表格数据对应的行数， cell获取具体行数，列数的具体数据。

 

三、Python读取doc文档数据

 

python读取doc文档是最麻烦的。处理逻辑复杂。处理的方式也有很多种。

 

python 没有直接处理doc文档的第三方库，但是有一个处理docx的第三方库。可以通过将doc文件转换为docx文件，再调用第三方python库pydocx来读取doc文档的内容。

 

这里需要注意的是,不要直接修改doc的后缀来修改成docx文件。直接通过修改后缀获取的docx文件，pydocx无法读取内容。

 

我们可以使用另外一个库来修改doc为docx。

 

具体代码如下:

[code]def doSaveAas(self, doc_path):
   """
   将doc文档转换为docx文档
   :rtype: object
   """
   docx_path = doc_path.replace("doc", "docx")
   word = wc.Dispatch('Word.Application')
   doc = word.Documents.Open(doc_path)  # 目标路径下的文件
   doc.SaveAs(docx_path, 12, False, "", True, "", False, False, False, False)  # 转化后路径下的文件
   doc.Close()
   word.Quit()

代码所需的包接口:

[code]import os
import zipfile
from win32com import client as wc
import xlrd
from bs4 import BeautifulSoup
from pydocx import PyDocX
from lxml import html
from xpath_content import XpathContent
from write_to_excel import WriteToExcel

python处理docx文档的方法有很多种，具体使用情况，根据个人需求来决定。

No.1 解压docx文件

docx文件的原理，本质上就是一个压缩的zip文件，通过解压以后，就可以获取原来文件的各个内容。

docx解压后的文件结构如下:

docx文件的文本内容存储结构如下:

文本内容存储于word/document.xml文件中。

第一种方法，我们就可以先将docx还原成zip压缩文件，再解压zip文件，读取word/document.xml文件的内容就ok了。

具体操作代码如下:

[code]def get_content(self):
   """
   获取docx文档的文本内容
   :rtype: object
   """
   os.chdir(r"C:\Users\Administrator\Desktop\新建文件夹")  # 改变目录到文件的目录
   #
   os.rename("51 2014.09.12 1份Savannah.docx", "51 2014.09.12 1份Savannah.ZIP")  # 重命名为zip文件
   f = zipfile.ZipFile('51 2014.09.12 1份Savannah.ZIP', 'r')  # 进行解压
   xml = f.read("word/document.xml")

   wordObj = BeautifulSoup(xml.decode("utf-8"))
   # print(wordObj)
   texts = wordObj.findAll("w:t")
   content = []
   for text in texts:
       content.append(text.text)
   content_str = "".join(content)
   return content_str

最后获取到的就是docx文档的所有文本数据了。

 

No.2 将docx文档转换成python能够处理的文本格式

 

第一种方法，是依据docx文档的原理来获取数据,流程有点繁琐，有没有能直接读取docx文档内容的方法呢？答案，肯定是没有的，别想了，洗洗回家睡吧。

 

直接读取docx文档的方法没有，有没有能够将docx文档转换成python能够轻松处理的文本格式呢？

 

这个可以有，前面说了，python拥有大量丰富的第三方库（先夸一波我大python）,历经千辛万苦终于找到了，一个能转换docx文档格式的第三方库,pydocx,pydocx库中有个方法pydocx.to_html()就可以直接将docx文档转换为html文件，怎么样？意不意外，惊喜不惊喜！

 

第二种方法，转换文本格式的代码如下:

[code]def docx_to_html(self, docx_path):
   """
   docx文档转换成html响应
   :rtype: object
   """
   # docx_path = "C:\\Users\Administrator\Desktop\新建文件夹\\51 2014.09.12 1份Savannah.docx"
   response = PyDocX.to_html(docx_path)

获取到的response是html文件内容。

 

四、Python处理mht文件

 

mht文件是一种只能在IE浏览器上展示的文本格式，在chrome浏览器中打开是一堆的乱码。

 

No.1 伪造IE请求mht文件内容

 

最基础的读取mht文本的方法就是伪造IE浏览器请求。

 

调用requests库，发送get请求网页链接，构造IE的请求头信息。

 

理论上来说，这种方法是可行的。但是呢，不建议用，原因大家都懂得。

 

 

No.2 转换文件格式

 

好了说正经的方法，猜测mht文件能否修改成其他文件格式来直接读取呢？

 

docx,不行；html，不行；excel，更不用说了。

 

真相只有一个！！！

 

直接修改后缀得到的docx，无法读取。

 

so,我们想到的方法是什么呢。没错，就是修改成doc文档。

 

方法是匪夷所思的，但也是灵感一现。

 

mht可以直接通过修改后缀转换成doc文档，doc文档读取文本内容的方法具体参考上面读取doc文档的方法。

 

如何获取html文本的内容？

html文本的内容是网页结构标签数据，取出文本的方式是：re正则，或者xpath。

 

后续，小伙伴有需要的话，会再开一章详细了解re,xapth的使用规则。