我的网站首页打不开,建设网站以什么为导向,开发者选项在哪里关闭,上海网页制作针对不同类型的文件#xff0c;需要采取特定的访问与解析策略来有效获取其中蕴含的知识。下面我们将介绍对于不同数据源数据的获取方式。
1 解析Docx文档
1.1 获取Docx文档中文本
from docx import Document
# pip install python-docx
# python-docx 0.8.11
filename xx…针对不同类型的文件需要采取特定的访问与解析策略来有效获取其中蕴含的知识。下面我们将介绍对于不同数据源数据的获取方式。
1 解析Docx文档
1.1 获取Docx文档中文本
from docx import Document
# pip install python-docx
# python-docx 0.8.11
filename xxx.docx
doc Document(filename)
for para in doc.paragraphs:print(para.text)1.2 获取Docx文档中表格
from docx import Document
filename rsample.docx
doc Document(filename)
print(f\n 便利文档中表格)
print(f\n 方法一)
for table in doc.tables:row_count len(table.rows)col_count len(table.columns)for i in range(row_count):row table.rows[i].cellsprint(frow : {row})
print(f\n 方法二)
for table in doc.tables:row_count len(table.rows)col_count len(table.columns)for i in range(row_count):for j in range(col_count):print(table.cell(i,j).text)2 解析txt文件
2.1 读取富文本txt
read() —— 读取所有文本
with open(sample.txt,r,encodingutf-8) as f:data f.read()print(data)readline() —— 读取第一行的内容
with open(sample.txt,r,encodingutf-8) as f:data f.readline()print(data)readlines() —— 读取全部内容以数列的形式返回结果
with open(sample.txt,r,encodingutf-8) as f:data f.readlines()print(data)with open(sample.txt,r,encodingutf-8) as f:for ann in f.readlines()ann ann.strip(\n) # 去除文本中的换行符print(ann)
# 简单版本
for i in open(filesample.txt,encodingutf-8).readlines():ann i.strip(\n)print(ann)3 解析PDF
3.1 PDF解析神器——pdfplumber
3.1.1 安装
pip install pdfplumber3.1.2 提取pdf中的纯文本
import pdfplumber
file_name rsample.pdf # 需要解析的pdf文件
output_file sample.txt # pdf解析后的内容
with pdfplumber.open(file_name) as p:page_count len(p.pages)for i in range(0,page_count):page p.pages[i]text_data page.extract_text()data open(output_file,a,encodingutf-8)data.write(text_data)3.1.3 提取pdf中的表格
import pdfplumber
from openpyxl import Workbook # 保存表格
file_name rsample.pdf
output_file sample.xlsx
with pdfplumber.open(file_name) as pdf:page pdf.pages[0]table page.extract_table()workbook Workbook()sheet workbook.activefor row in table:sheet.append(row)workbook.save(filenameoutput_file)extract_tables()方法——输出文档所有表格返回一个嵌套列表。
#extract_tables()法
with pdfplumber.open(rexm.pdf) as pdf: # 打开pdfpage_one pdf.pages[0] page_one_table page_one.extract_tables() # 获取pdf第一页的所有表格数据for row in page_one_table:print(第一页的表格数据, row)extact_table()方法——不会返回文档的所有表格仅返回行数最多的表格数据。如存在多个行数相等的表格则默认输出顶部表格数据。表格的每一行都为一个单独的列表列表中的元素即为原表格的各个单元格的数据。
# extract_table()法
with pdfplumber.open(rexm.pdf) as pdf_info: # 打开pdfpage_one pdf_info.pages[0] page_one_table page_one.extract_table()for row in page_one_table:print(row)
