问用python将PDF、DOCs、DOCs转换为文本格式的解决方案

EN

• 对于PDF，我推荐PDFminer。
• 尝试docx模块(我自己还没有使用它)
• 我不知道有任何纯python模块可以读取.doc文件。
• 有从.doc文件中提取文本的命令行工具: antiword和catdoc (可能还有其他)。如果包安装在共享主机上，则可以使用subprocess对这些工具进行打包。可在Windows上通过Cygwin获得。
• 阿帕奇POI是一个可以从Office文档中提取文本的Java库。如果您的共享主机安装了Java，您可以编写一些Java (或Jython)代码并使用subprocess执行。

如果在服务器端可以使用OpenOffice，那么可以使用unoconv:在OpenOffice支持的任何文档格式之间进行转换。

一个可能的解决方案是使用google文档从二进制..doc文件中提取文本内容。您将文档上载到google文档，然后下载文本内容。这是一个相当缓慢的过程，但它是我所知道的唯一“纯Python”解决方案，因为除了网络访问之外，它不需要任何外部工具。如果允许您在主机上安装外部工具，如catdoc或antiword，则是一个更好的解决方案。