第8.1.2解析mht格式文件

约定不等于承诺〃 2022-04-13 05:11 242阅读 0赞

有人建议改造一下[mhtifier.py][]就可以解析mht格式文件，它的示例没有告诉我，怎么验证。而且我改造也失败了，可能是我的水平有限。  
[Python ：解析 word 文档（前程无忧简历）][Python _ word]，这篇文章的作者，告诉我们，51job的简历格式是mht格式的，虽然下载文件后缀是doc的。  
[python3通过文件头判断文件类型][python3]，从这篇文章的代码，可以获取文件的真实格式，mht格式与eml格式差不多，网上说可以通过解析邮件的方式，去解析mht，于是我按照这个思路去探索。  
java将mht转换为html格式文件，可以参考[poi读取word简历（伪word格式的doc文件 ）提取文本内容报错][poi_word_word_doc_],他的代码我没有验证过，  
java写法可以参考[java工具类mht转html格式文件 及简单的HTML解析][java_mht_html_ _HTML]，这个我验证过，是可以解析的  
php也有对应的办法，例如[php解析mht文件转换成html][php_mht_html]那么python怎么做呢？  
[Chilkat][]号称可以处理，但是他是付费软件，[chilkat破解][chilkat]，而且说明文档写的也很挫，谷歌上的资料也不多。思来想去，真想放弃了使用python的办法。  
不过想了想，既然mht格式就是eml，那么使用解析eml的方式去解析eml，不过就可以了。

import email
    import mimetypes
    import os
    
    def parse(file_name):
        mht = open(file_name,'r')
        msg = email.message_from_file(mht)
        mht.close()
        file_path = r'F:\test\files'
        for part in msg.walk():
            if part.get_content_maintype() == 'multipart':
                continue
            filename = part.get_filename()
            if not filename:
                ext = mimetypes.guess_extension(part.get_content_type())
            try:
                fp = open(os.path.join(file_path,'test'+ext),'wb')
                fp.write(part.get_payload(decode=True))
                fp.close()
            except Exception as e:
                print(e)
    if __name__ == '__main__':
        file_name=r'F:\123.doc'
        parse(file_name)

[mhtifier.py]: https://github.com/Modified/MHTifier/blob/master/mhtifier.py
[Python _ word]: https://www.v2ex.com/t/486087
[python3]: https://blog.csdn.net/privateobject/article/details/78069500
[poi_word_word_doc_]: https://my.oschina.net/u/2416019/blog/699502
[java_mht_html_ _HTML]: https://www.cnblogs.com/sunhaoyu/p/6473776.html
[php_mht_html]: https://blog.csdn.net/e421083458/article/details/38366409
[Chilkat]: http://www.chilkatsoft.com/refdoc/pythonCkMhtRef.html
[chilkat]: https://blog.csdn.net/yazi1297/article/details/44015289