Python + MS Word?

Question

[Сергей Озеранский]

Добрый день.

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).

Comments

[Eddy_Em]

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!

[Сергей Озеранский]

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.

[Сергей Озеранский]

Менять уже существующее проблематично… (я про формат документации)

я нашел следующие варианты:
abiword
googledocs
ooffice

Может есть еще варианты?

[Сергей Озеранский]

python-docx как вариант еще

Answer 1

[Павел Тысляцкий]

Я думаю лучше глянуть на libre office + python (python-uno). Оно точно должно уметь экспоритить в pdf.

Comments

[Сергей Озеранский]

Спасибо, но в PDF не надо, у меня задача из вордовских документов вытаскивать содержимое и представлять его как HTML на сайте…

[Павел Тысляцкий]

Есть pdf.js, с которым можно попробывать взлететь: stackoverflow.com/a/291823/880326. Те имеем понятный формат документации и его отображение у пользователя.

[Сергей Озеранский]

Хм, интересно, посмотрю.

Answer 2

[NetBUG]

.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. :)

Comments

[Сергей Озеранский]

Спасибо за совет, я такой вариант тоже рассматривал, как вариант его держу в голове

Answer 3

[rvller]

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)