python读取txt文件 Python 读取各类文件格式的文本信息 | doc,excel,html,mht

众所周知，python最强大的一点就是python社区拥有丰富的第三方库和开源特性，这让越来越多的技术开发者完善了它。

python的完美。

未来，人工智能、大数据方向、区块链识别和推进都将聚焦python。

咳咳！咳咳！似乎有点做广告的嫌疑。

当前互联网信息共享时代最重要的是什么？是数据。最有价值的是什么？是数据。技术水平最直观的表达是什么？或者数据。

所以我们今天想分享的是:如何获取每种文件格式的文本信息。

普通文件的格式一般分为:txt普通文本信息、doc word文档、html网页内容、excel表格数据、特殊mht文件。

1.Python处理html网页信息

html类型的文本数据，内容是前端代码写的tag格式+文本数据，可以直接在chrome浏览器中打开，清晰的显示文本格式。

Python获取html文件内容的方式和txt文件一样，所以可以直接读取文件。

按如下方式阅读代码:

用open(html_path，" r "，encoding="utf-8 ")作为f:

file = f.read()

该文件是html文件的文本内容。是网页标签的格式内容。

第二，Python处理excel表格信息

Python有一个第三方库xlwt，xlrd，可以直接操作excel表格。通过调用相应的方法可以读写excel表格数据。

阅读excel操作代码如下:

file path = " c: user sadministratoredsktop创建一个新文件夹，其中包含武汉. xls的6个副本"

sheet_name = "UserList "

rb = xlrd.open_workbook(filepath)

sheet = Rb . sheet _ by _ name(sheet _ name)

# clox_list = [0，9，14，15，17]

对于范围(1，sheet.nrows)中的行:

w = WriteToExcel()

#对于clox_list中的clox:

name = sheet.cell(行，0)。价值

phone = sheet.cell(第15行)。价值

address = sheet.cell(第9行)。价值

major = sheet.cell(第14行)。价值

age = sheet.cell(第8行)。价值

其中row是表数据对应的行数，cell获取特定行和列的特定数据。

第三，Python读取文档数据

Python是读doc文档最麻烦的。复杂的处理逻辑。有很多方法可以处理。

Python没有直接处理doc文档的第三方库，但是有处理docx的第三方库。您可以通过将文档文件转换为docx文件，然后调用第三方python库pydocx来读取文档的内容。

这里需要注意的是，doc的后缀不应该直接修改为docx文件。Pydocx无法读取修改后缀直接获得的docx文件的内容。

我们可以用另一个库把doc修改成docx。

具体代码如下:

def doSaveAas(自身，doc_path):

"""

将文档转换为docx文档

:rtype:对象

"""

docx _ path = doc _ path . replace(" doc "，" docx ")

word = wc。派遣('字。应用')

doc = word . documents . open(doc _ path)#目标路径下的文件

医生。saveas (docx _ path，12，false，“”，true，“”，false，false，false) #转换路径下的文件

医生。关闭()

单词。退出()

代码要求的包接口:

导入操作系统

导入file

从win32com导入客户端作为wc

导入xlrd

从bs4导入美化组

从pydocx导入PyDocX

从lxml导入html

从xpath_content导入XpathContent

从write_to_excel导入WriteToExcel

python处理docx文档的方式有很多种，具体用法看个人需求。

1号解压docx文件

docx文件的原理本质上是一个压缩的文件。解压后可以得到原文件的所有内容。

docx解压后的文件结构如下:

docx文件的文本内容存储结构如下:

文本内容存储在word/document.xml文件中。

第一种方法，我们可以先把docx还原成压缩文件，然后解压文件，读取word/document.xml文件的内容。

具体操作代码如下:

def get_content(self):

"""

获取docx文档的文本内容

:rtype:对象

"""

OS . chdir(r " c:usersadministratordesktop创建新文件夹)#将目录更改为文件目录

#

OS . rename(" 51 2014.09.12 1 Savannah . docx "，" 51 2014 . 09 . 12 1 Savannah。ZIP") #被重命名为ZIP文件

f = file . file(' 51 2014 . 09 . 12，1份Savannah。压缩'，' r') #用于解压缩

xml = f.read("word/document.xml ")

wordObj =美化组(xml.decode("utf-8 "))

#打印(wordObj)

texts = wordObj.findAll("w:t ")

内容= []

对于文本中的文本:

content.append(文本.文本)

content_str = " "。加入(内容)

返回内容_字符串

最后，我们得到了docx文档的所有文本数据。

第二，将docx文档转换成python可以处理的文本格式

第一种方法是根据docx文档的原理获取数据。过程有点繁琐。有什么方法可以直接读取docx文档的内容？答案肯定是否定的，不要想了，洗漱回家睡觉。

有什么方法可以直接阅读docx文档？有什么方法可以把docx文档转换成python可以轻松处理的文本格式？

我们可以要这个。前面说了，python有大量丰富的第三方库(首先我来夸一下python)，我们历经千辛万苦终于找到了。一个可以转换docx文档格式的第三方库，pydocx，pydocx库有一个方法pydocx.to_html()可以直接把docx文档转换成html文件，怎么样？不意外不意外！

在第二种方法中，转换文本格式的代码如下:

def docx_to_html(self，docx_path):

"""

Docx文档被转换成html响应

:rtype:对象

"""

# docx _ path = " c: user sadministratoredsktop创建新文件夹 51 2014 . 09 . 12 1 Savannah . docx的副本"

response = pydocx . to _ html(docx _ path)

得到的响应是html文件的内容。

4.Python处理mht文件

Mht文件是只能在IE浏览器中显示的文本格式，在chrome浏览器中打开就是一堆乱码。

1号伪造IE请求mht文件的内容

阅读mht文本最基本的方法就是伪造IE浏览器请求。

调用请求库，发送get请求网页链接，构造IE的请求头信息。

理论上，这种方法是可行的。但是，我们不推荐，因为大家都知道为什么。

2号转换文件格式

好吧，说真的，你猜mht文件能不能修改成其他文件格式直接读。

Docx，没有；Html，没有；Excel就更不用说了。

真相只有一个！！！

直接修改后缀得到的Docx无法读取。

那么，我们想到的方法是什么呢？没错，就是修改成单据凭证。

方法不可思议，但也是一种启发。

Mht可以通过修改后缀直接转换成单据单据。从单据文档中读取文本内容的方法，请参考上述读取单据文档的方法。

如何获取html文本的内容？

html文本的内容是网页结构的标签数据，检索文本的方式是Reregular或xpath。

后续，如果有必要，朋友们会再开一章，了解更多re和RE，xapth的使用规则。

来源网络，侵权联系人删除