Как прочитать doc-файл по ссылке?

Question

[Сергей Ильин]

Добрый день. Задача: прочитать doc-файл по ссылке.

import requests as req
from io import BytesIO
# иногда сайт ругается на ssl, поэтому пусть этот кусочек тоже тут будет для нормальной работы
import ssl
ssl._create_default_https_context = ssl._create_unverified_context

# тело скрипта
url ='https://www.uralprombank.ru/files/misc/admiralgorshkov-15.doc'
file = req.get(url, verify=False).content
file = BytesIO(file).read()
file = file.decode('cp65001', 'ignore')
print(file)

на выходе получаю "пустые прямоугольники". Видимо, проблема в кодировке.
Что я делаю не так и как это исправить? Заранее спасибо.

Comments

[Сергей Карбивничий]

А что вы хотите получить на выходе? Вы хотите преобразовать бинарный файл в текст?

[shurshur]

Ужас какой...

[Сергей Ильин]

Сергей Карбивничий, да, именно.

[Сергей Ильин]

shurshur, в чем ужас? в "разбивании" и переопределении переменных? так я это для читаемости тут разложил. или в чем?

[Сергей Карбивничий]

Сергей Ильин, Как думаете, если заменить вашу ссылку на ссылку с картинкой, и выполнить код, какой будет результат? Также попробуйте открыть .doc файл в блокноте, и посмотрите - будет ли он читаем?

[Сергей Ильин]

Сергей Карбивничий, если немного поменять код и попробовать прочитать именно .docx - да.
например:

import textract
text = textract.process("path/to/file.extension")

тут мы видим, что эта библиотека открывает .docx, но с места на жестком диске

попробую по шагам проговорить, что я пытаюсь сделать.

1/ я получаю .content из ссылки

url ='https://www.uralprombank.ru/files/misc/admiralgorshkov-15.doc'
file = req.get(url, verify=False).content

2/ засовываю то, что лежит в file в BytesIO и применяю .read()
file = BytesIO(file).read()

3/ пытаюсь декодировать имеющийся байтник
file = file.decode('cp65001', 'ignore')

[shurshur]

Сергей Ильин, doc - бинарный формат. Его нельзя просто так "прочитать", нужно использовать какие-то библиотеки, которые этот формат смогут разобрать.

Конкретно вот textract не умеет из переменной, только из файла. Значит, надо записать во временный файл и его уже обрабатывать. Или всё-таки поискать другие библиотеки.

[Сергей Ильин]

shurshur, я понимаю про док, поэтому и написал на q/a. В моих поисках "открыть док-файл по ссылке" я смог только textract найти, но он, как вы справедливо указали, умеет только с жесткого диска открывать. Была идея как-то в process подпихнуть бинарник, но она провалилась ( или, может, я делаю что-то не то.

[shurshur]

Сергей Ильин, насколько я понимаю, textract - это изначально абстрактный модуль, нацеленный через работу с помощью плагинов. Эти плагины могут делать что угодно, в том числе вызывать внешние команды, общаться с софтом через интерфейсы типа COM итд итп. Работа только с передачей файла по имени ограничивает разработчика, но зато расширяет возможности плагинов. Если есть желание, можно поразбираться в устройстве textract и понять, как конкретно он обрабатывает файлы .doc, может быть, можно его без особых усилий слегка переработать под себя.

[Сергей Ильин]

shurshur, понял. "Будем искать", как в известном фильме.

Answer 1

[PavelMos]

Ты же выводишь содержимое док в консоль.

import urllib.request
url ='https://www.uralprombank.ru/files/misc/admiralgorshkov-15.doc'
urllib.request.urlretrieve(url, "с:\\text.doc")

https://docs.python.org/3.0/library/urllib.request.html

Comments

[Сергей Ильин]

вы предлагаете сохранять файл? есть возможность его прочитать без этого?

[PavelMos]

Файл уже прочитан. Но это не текстовый файл, его содержимое можно посмотреть только в программе, поддерживающей .DOC, но не в консоли. Можно вызвать её из скрипта и указать в качестве аргумента путь к сохранённому файлу. Соответсвенно, для этого его нужно сохранить на диске и открывать оттуда.

Может быть, есть какие-то библиотеки, которые могут извлечь текст из DOC, или можно найти утилиту для конвертации DOC в TXT и его можно вывести в консоль, но какой в этом смысл ?

[Сергей Ильин]

PavelMos, хм. не понимаю. ну, т.е. понимаю, что он находится уже в памяти и решил, что decode из бинарника решит мою проблему с перевариванием содержимого в строку.