近期涉及到了關(guān)于 doc 文檔讀取的處理，也查了很久，為了便于大家使用，故集大成一下。

Doc 文檔讀取有如下幾種：

1 、從 doc 讀取文本

?????? 目前沒有找到直接的方式，一般是先轉(zhuǎn)為 docx 文件在處理。所使用工具為 doc2doc( 批量時可用 ) ，或人工另存處理。

?

2 、從 docx 讀取文本

?????? 一般使用 python-docx 庫的方法，但只支持創(chuàng)建新文檔和讀取一些基本的文件數(shù)據(jù)，如文件大小和文件標(biāo)題，不支持正文讀取。

?????? 或直接從 docx 中讀取 xml 的方法。

?

3 、從 pdf 讀取文本

?????? 一般使用 pdfminer3k 庫或 pyPdf 庫。其中 pyPdf 用起來其實稍顯麻煩，很多操作不夠方便。 pdfminer 對表格不友好，也可以將 PDF 轉(zhuǎn)換為 text 文本，還可以轉(zhuǎn)換為 HTML 等帶有標(biāo)簽的文本。

?????? 還有一種可以用 pdf2htmlex( 非 python) ，先把 pdf 轉(zhuǎn) html ，接下來再用 bs4 來解析處理。這樣的好處是處理 html 的工具非常非常豐富，且 pdf2htmlex 對原頁面的效果保持得特別好，特別是對于那些個用 word 和 latex 導(dǎo)出的 pdf 里，大量數(shù)據(jù)圖表里的標(biāo)簽可以很方便地提取所需的值。

?

4 、把 pdf 中圖存為 jpg 文件

?????? 一般可以使用 PythonMagick 庫。

?

以上的代碼處理，均在 https://github.com/renwoxing2016/ 。