Как распарсить doc-файл на Python?

Question

[Владислав]

Файл - это типа несколько подряд идущих записей вида:
абзац1: Название
абзац2: <картинка>
абзац3: Описание
Нужно весь этот хлам занести в БД, но проблема в том, что шрифты и и переносы как зря( то бишь здесь Описание и Картинка подряд, а там между ними уже пустая строка, а вон там последняя строка описания граничит с новым названием и т.п.), а с режексами у меня грустно( я пока не вкурил толком их).

Какими модулями пользоваться( ссыли на маны приветствую) и какие режексы задействовать?

Answer 1

[Алексей Зенков]

Regex курить обязательно + любой сложный парсинг имеет ненулевой вариант погрешности
Можешь качнуть Xamarin Studio - мне там тестировалка Regex-оф встроенная понравилась - свою накорябать всё руки не доходят )

Answer 2

[snowpiercer]

Парсить doc-файл регулярными выражениями? Сомнительно (в таких случаях принято давать ссылку на stackoverflow.com/a/1732454/2402125).

Есть специальные бибилиотеки для парсинга doc-файлов (docx, на самом деле), например https://github.com/mikemaccana/python-docx/

Comments

[snowpiercer]

В самом деле, регулярные выражения в своем изначальном виде используются для короткой записи регулярных грамматик, и используются для того, чтобы определить является ли слово (строка, текст) выводимым в данной грамматике, т.е. принадлежит ли языку, который порождается данной грамматикой. Ни формат файлов doc, ни xml, ни html не являются регулярными языками.

[Артем Лисовский]

+ 5 копеек: https://wiki.openoffice.org/wiki/PyUNO_samples