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

迷南。 2022-10-02 00:31 382阅读 0赞

**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。

**二****、****P****ython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:

![1559273870144157.png][]

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。

![1559273870726850.png][]

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。

![1559273870799267.jpg][]

**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。

[1559273870144157.png]: https://www.itcodemonkey.com/data/upload/portal/20190531/1559273870144157.png
[1559273870726850.png]: https://www.itcodemonkey.com/data/upload/portal/20190531/1559273870726850.png
[1559273870799267.jpg]: https://www.itcodemonkey.com/data/upload/portal/20190531/1559273870799267.jpg