Подскажите, пожалуйста, библиотеку для парсинга .doc и .docx для python 2.7. Это должен быть не OLE, так как будет крутиться на Linux. Желательно что бы на выходе я получал и картинки, может даже это будет html (что есть хорошо).
Вы бы поконкретней спрашивали.
Я, например, вообще не понял, зачем парсить эти чертовы форматы? Требуйте документацию в odt (а еще лучше — в латехе) — и бед не будете знать!
Ну у меня есть куча документации в Doc, docx, есть сервис в веб интерфейсом, django, в нем есть ссылка на скачивание этой документации, хочу сделать отображение документации без скачивания файла, т.е. его парсинг и вывод на страницу.
Есть pdf.js, с которым можно попробывать взлететь: stackoverflow.com/a/291823/880326. Те имеем понятный формат документации и его отображение у пользователя.
.docx является ZIP-контейнером, в нём есть document.xml, который без проблем разбирается. Наверняка где-то должны быть XSLT для его причёсывания в автоматическом режиме.
Для .doc есть unoconv, с помощью libreoffice в пакетном режиме умеет преобразовать форматы. Мне кажется, логичнее им преобразовать, чем искать специфичную библиотеку для Python.
Насколько я знаю, unoconv/python-uno умеет не только PDF выдавать. :)
У себя остановился на варианте OpenOffice + unoconv (python). Поддерживаемых форматов очень много (зависит от того, что стоит с OpenOffice), в т.ч. doc(docx) -> html(xhtml)
