Word-Dokumente einlesen

[Barcellona]

Hallo zusammen,

ich versuche gerade über Python verschiedene Textformate einzulesen und würde auch gerne die Word-Formate .doc und .docx einlesen.
Wenn ich ein Word-Dokument im Texteditor öffne, bekomme ich da aber jede Menge "komisches Zeug".

Hat jemand eine Idee, wie ich den Text filtern könnte, so dass ich nur den wirklichen Text einlese?
:K

[Hyperion]

".doc"-Dokumente sind eben binär, ".docx" zum Teil auch. "docx" ist durch die ISO wohl zertifiziert, mit dem nötigen Kleingeld kannst Du also die Spezifikation erwerben und einen Parser dafür schreiben. Generell ist das wohl XML basiert, zwischen den Tags gibt es aber wohl teilweise auch binäres Zeugs.

Um es kurz zu machen: Das ganze dürfte außer für Spezialfälle eher kein Unterfangen sein, dass man selber als Einzelperson stemmen kann

[Barcellona]

Danke für die Antwort.

docx und doc kann ich dann also vergessen...

Welche Textformate wären doch noch leicht einzulesen? (außer .txt...)

[cofi]

Definiere "einlesen" und was hast du denn vor?

Es gibt jede Menge Text-Formate, die Plaintext sind und man trotzdem nicht einfach einlesen, im Sinne von parsen, oder voneinander unterscheiden kann.

[Barcellona]

Ich möchte eine Art Texteditor schreiben, der verschiedene Formate lesen kann.
Bisher lese ich nur .txt-Dateien ein und würde das Ganze gerne erweitern.

Zumindest 1-2 Formate, die auch Infos über kursiv,fettgedruckt, etc. beinhalten.

Hat da wer eine Idee, welches Format ich leicht einlesen könnte.
Sprich unnötige Infos herausfiltern und nur den Text samt wichtigen Informationen speichern.

Output könnte dann sowas in der Art sein:

<b>Dies ist ein Titel<b>
Dies die <i>erste<i> Zeile.

Nur als Idee...

[Hyperion]

"Richtext" wäre da evtl. etwas.

Ansonsten eben markdown, creole, ...

Ach ja und ODF eben - das ist ja sogar offen dokumentiert!

[Barcellona]

ODF sieht gut für meinen Zweck aus - danke

[Barcellona]

Habe jetzt mal eine .odt-Datei erstellt, aber wenn ich diese mit Scite öffne, bekomme ich wieder nur ein Misch-Masch
aus komischen Zeichen

Wie kann ich denn wohl die .odt-Datei als utf-8-Encoding speichern?

[cofi]

ODF ist eine gezippte Ordnerstruktur mit XML-Dateien und kein Plaintext.

[/me]

ODF ist eine gezippte Ordnerstruktur mit XML-Dateien und kein Plaintext.

Man kann damit sogar im Bedarfsfall unter Umgehung einer passenden API für ODF arbeiten. Dabei öffnet man mit dem zipfile-Modul die Datei, liest die content.xml aus, manipuliert diese und schreibt sie wieder zurück. Für einfaches Suchen und Ersetzen funktioniert das problemlos.

[Barcellona]

Das hört sich interessant an. Bekomme allerdings den Fehler "File is not a zip file" bei dem Versuch eine odt zu öffnen.

Hast du vielleicht Beispielcode, wie man die Datei öffnet?

[cofi]

http://lmgtfy.com/?q=python+open+odf

Wenn du deinen bisherigen Code postest waere das hilfreicher. Ausserdem: Ist die Datei valide, kannst du sie ohne Python entpacken?

[Pekh]

Einige Archiv-Programme weigern sich unter Windows, Archive ohne Endung .zip zu entpacken. Lösung: Einfach die Datei von .odt auf .zip umbenennen.

[/me]

Das hört sich interessant an. Bekomme allerdings den Fehler "File is not a zip file" bei dem Versuch eine odt zu öffnen.

Hast du vielleicht Beispielcode, wie man die Datei öffnet?

So könnte Öffnen, Ändern und Schreiben aussehen. Bitte passende Fehlerbehandlung dazudenken.

Code: Alles auswählen

import zipfile

f = zipfile.ZipFile("filename.odt, "a")
f.extract("content.xml")
with open("content.xml") as c:
    data = c.read()

data.replace("foo", "bar")
            
with open("content.xml", "w") as c:
    c.write(data)
        
f.write("content.xml")
f.close()

[Hyperion]

Wobei man da das lxml-Modul nutzen möchte

[derdon]

/me: Syntax Highlighting ist schon praktisch, nicht wahr?

[/me]

Wobei man da das lxml-Modul nutzen möchte

Ja, natürlich möchte man das. Aber nicht hier im Beispiel.

[sma]

Code: Alles auswählen

data = data.replace("foo", "bar")

Stefan

[/me]

Code: Alles auswählen

data = data.replace("foo", "bar")

Du hast natürlich recht. Code zu schreiben ohne zu testen führt gerne zu Syntax- oder Logikfehlern.

[Barcellona]

Vielen Dank für das Beispiel!

Klappt wunderbar, verstehe nur nicht alles im Code.

Vielleicht kann mir jemand kurz noch erklären, was an den kommentierten Stellen passiert, wäre sehr nett.
Danke!

Code: Alles auswählen

import zipfile

def read_odt(path):
    f = zipfile.ZipFile(path, "a")  # wieso "a"? a=append, oder?
    f.extract("content.xml")
    
    with open("content.xml") as c: # ist content.xml nun ausserhalb des odt-Dokumentes verfügbar? wegen extract?
        data = c.read() 

    data=data.replace("test", "changed") 
                
    with open("content.xml", "w") as c:
        c.write(data) 

     
    f.write("content.xml")
    f.close()
    
read_odt("test.odt")