将.doc/.docx转换为文本并保留表格。

Question

将.doc/.docx转换为文本并保留表格。

pythonfiletextapache-tika

3

我希望将doc/docx文件转换为文本文件。我的要求是表格应该保持原样。

我尝试过使用Python Tika。但它会将行转换为列。

例如，输入的doc/docx文件中有一个表格。

上面的表格会被转换成如下的文本

LANGUAGE
UNDERSTAND
LEARN

HINDI
YES
NO

MARATHI
YES
NO

ENGLISH
YES
NO

期望的输出如下（保留表格格式）

 LANGUAGE    UNDERSTAND      LEARN  
 HINDI   YES     NO
 MARATHI     YES     NO
 ENGLISH     YES     NO

请告诉我是否可能。

- Karmveer Singh

2

你试过 Pandoc 吗？ - ilmiacs

向Apache Tika请求HTML版本而不是纯文本版本，然后使用自定义逻辑转换表格，将其余部分正常转换为文本？ - Gagravarr

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Rolf of Saxony · Accepted Answer

如@ilmiacs所建议，pandoc可以为您完成此操作。
使用python需要安装pypandoc。
测试文档：

import pypandoc
print(pypandoc.convert_file("Untitled 1.docx", "plain+simple_tables", format="docx", extra_args=(), encoding='utf-8', outputfile=None))

给你：

当然，你也可以选择使用subprocess来将其输入到命令行中。