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

来自: Python那些事(微信号:PythonSomething),作者:Faker2.0

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:

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。

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:

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:

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:

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:

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:

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。


如果有问题的话,也可以随时留言,感谢观看!!

推荐↓↓↓
Python编程
上一篇:pyecharts可视化和微信的结合 下一篇:​一个超有意思的 Python 综合能力测试网站