python之四种方式读取文档

青旅半醒 2022-05-26 02:00 247阅读 0赞

## python之四种方式读取文档 ##

### 第一种：读取纯文本 ###

1：代码

# coding=utf-8
    """ @author: jiajiknag 程序功能： 读取txt文件 """
    # 导包
    from bs4 import BeautifulSoup
    from urllib.request import urlopen
    # 要读取文档
    texPage= urlopen("http://www.pythonscraping.com/pages/warandpeace/chapter1-ru.txt")
    # 编码输出
    print(str(texPage.read(),'utf-8'))

2：结果

![这里写图片描述][SouthEast]

### 第二种：读取csv文件 ###

1：代码

# coding=utf-8
    """ @author: jiajiknag 程序功能： 读取csv文件 """
    from urllib.request import urlopen
    from io import StringIO
    import csv
    # csv文件
    data = urlopen("http://pythonscraping.com/files/MontyPythonAlbums.csv").read().decode('ascii', 'ignore')
    # 封装成StringIO对象
    dataFile = StringIO(data)
    # csvReader = csv.reader(dataFile)
    # 读取
    dictReader = csv.DictReader(dataFile)
    # 输出
    print(dictReader.fieldnames)
    
    for row in dictReader:
        print(row)
        #print("\nThe album \"" + row[0] + "\" was released in " + str(row[1]))

2：结果

![这里写图片描述][SouthEast 1]

### 第三种：读取PDF文件 ###

1：代码

# coding=utf-8
    """ @author: jiajiknag 程序功能： 读取PDF文件 注释： readPDF函数最大的好处是，如果你的PDF文件在电脑里，你就可以直接把urlopen返回 的对象pdfFile替换成普通的open()文件对象： pdfFile = open("../pages/warandpeace/chapter1.pdf", 'rb') """
    from urllib.request import urlopen
    from pdfminer.pdfinterp import PDFResourceManager,process_pdf
    from pdfminer.converter import TextConverter
    from pdfminer.layout import LAParams
    from io import StringIO
    from io import open
    
    # 创建一个读取pdf函数
    def readPDF(pdfFile):
        # 创建对象
        # 解析PDF
        rsrcmgr = PDFResourceManager()
        # 创建StringIO对象
        retstr = StringIO()
    
        laparams = LAParams()
        device = TextConverter(rsrcmgr, retstr,laparams=laparams)
    
        process_pdf(rsrcmgr, device,pdfFile)
        # 关闭
        device.close()
        # 利用restr.getvalue()转换为文件对象
        content = retstr.getvalue()
        # 转换文成之后关闭
        retstr.close()
    
    pdfFile = urlopen("http://pythonscraping.com/pages/warandpeace/chapter1.pdf")
    # 读取文件
    outputString = readPDF(pdfFile)
    # 输出
    print(outputString)
    # 关闭
    pdfFile.close()

2：结果

![这里写图片描述][SouthEast 2]

### 第四种：读取word文件和.docx文件 ###

1：代码

# coding=utf-8
    """ @author: jiajiknag 程序功能： """
    from zipfile import ZipFile
    from urllib.request import urlopen
    from io import BytesIO
    from bs4 import BeautifulSoup
    """ 这段代码把一个远程Word文档读成一个二进制文件对象（BytesIO与本章之前用的 StringIO类似），再用Python的标准库zipfile解压（所有的.docx文件为了节省空间都 进行过压缩），然后读取这个解压文件，就变成XML了。 """
    
    wordFile = urlopen("http://pythonscraping.com/pages/AWordDocument.docx").read()
    wordFile = BytesIO(wordFile)
    document = ZipFile(wordFile)
    xml_content = document.read('word/document.xml')
    
    wordobj = BeautifulSoup(xml_content.decode('utf-8'))
    textStrings = wordobj.findAll("w:t")
    
    for textElem in textStrings:
        closeTag = ""
        try:
            style = textElem.parent.previousSibling.find("w:pstyle")
            if style is not None and style["w:val"] == "Title":
                print("<h1>")
                closeTag = "</h1>"
        except AttributeError:
            # 不打印标签
            pass
            print(textElem.text)
            print(closeTag)

2：结果

![这里写图片描述][SouthEast 3]

[SouthEast]: /images/20220526/176a53d68eec4d03a8f59eb263f5549a.png
[SouthEast 1]: /images/20220526/14f4fab777114ca1a228d2ddb139fe7e.png
[SouthEast 2]: /images/20220526/c028625458aa49ee8531abe53c08cc0f.png
[SouthEast 3]: /images/20220526/d89d9727bd7d4839af7e5224f771c419.png