所周知,python最強(qiáng)大的地方在于，python社區(qū)匯總擁有豐富的第三方庫，開源的特性，使得有越來越多的技術(shù)開發(fā)者來完善。

python的完美性。

未來人工智能，大數(shù)據(jù)方向，區(qū)塊鏈的識(shí)別和進(jìn)階都將以python為中心來展開。

咳咳咳！ 好像有點(diǎn)打廣告的嫌疑了。

當(dāng)前互聯(lián)網(wǎng)信息共享時(shí)代，最重要的是什么?是數(shù)據(jù)。最有價(jià)值的是什么？是數(shù)據(jù)。最能直觀體現(xiàn)技術(shù)水平的是什么?還是數(shù)據(jù)。

所以，今天我們要分享的是：如何來獲取各個(gè)文件格式的文本信息。

普通文件的格式 一般分為: txt普通文本信息，doc word文檔，html網(wǎng)頁內(nèi)容，excel表格數(shù)據(jù)，以及特殊的mht文件。

一、Python處理html網(wǎng)頁信息

html類型的文本數(shù)據(jù)，內(nèi)容是由前端代碼書寫的標(biāo)簽+文本數(shù)據(jù)的格式，可以直接在chrome瀏覽器打開，清楚 的展示出文本的格式。

python 獲取html文件的內(nèi)容和獲取txt文件的方法相同，直接打開文件讀取就可以了。

讀取代碼如下:

with open(html_path, "r", encoding="utf-8") as f:
 file = f.read()

file 是html文件的文本內(nèi)容。是一個(gè)網(wǎng)頁標(biāo)簽的格式內(nèi)容。

二、Python處理excel表格信息

python擁有直接操作excel表格的第三方庫xlwt,xlrd。調(diào)用對(duì)應(yīng)的方法就可以讀寫excel表格數(shù)據(jù)。

讀取excel操作代碼如下:

filepath = "C:\\Users\Administrator\Desktop\新建文件夾\笨笨 前程6份 武漢.xls"
sheet_name = "UserList"
rb = xlrd.open_workbook(filepath)
sheet = rb.sheet_by_name(sheet_name)
# clox_list = [0, 9, 14, 15, 17]
for row in range(1, sheet.nrows):
 w = WriteToExcel()
 # for clox in clox_list:
 name = sheet.cell(row, 0).value
 phone = sheet.cell(row, 15).value
 address = sheet.cell(row, 9).value
 major = sheet.cell(row, 14).value
 age = sheet.cell(row, 8).value

其中row是表格數(shù)據(jù)對(duì)應(yīng)的行數(shù)， cell獲取具體行數(shù)，列數(shù)的具體數(shù)據(jù)。

三、Python讀取doc文檔數(shù)據(jù)

python讀取doc文檔是最麻煩的。處理邏輯復(fù)雜。處理的方式也有很多種。

python 沒有直接處理doc文檔的第三方庫，但是有一個(gè)處理docx的第三方庫。可以通過將doc文件轉(zhuǎn)換為docx文件，再調(diào)用第三方python庫pydocx來讀取doc文檔的內(nèi)容。

這里需要注意的是,不要直接修改doc的后綴來修改成docx文件。直接通過修改后綴獲取的docx文件，pydocx無法讀取內(nèi)容。

我們可以使用另外一個(gè)庫來修改doc為docx。

具體代碼如下:

def doSaveAas(self, doc_path):
 """
 將doc文檔轉(zhuǎn)換為docx文檔
 :rtype: object
 """
 docx_path = doc_path.replace("doc", "docx")
 word = wc.Dispatch('Word.Application')
 doc = word.Documents.Open(doc_path) # 目標(biāo)路徑下的文件
 doc.SaveAs(docx_path, 12, False, "", True, "", False, False, False, False) # 轉(zhuǎn)化后路徑下的文件
 doc.Close()
 word.Quit()

代碼所需的包接口:

import os
import zipfile
from win32com import client as wc
import xlrd
from bs4 import BeautifulSoup
from pydocx import PyDocX
from lxml import html
from xpath_content import XpathContent
from write_to_excel import WriteToExcel

python處理docx文檔的方法有很多種，具體使用情況，根據(jù)個(gè)人需求來決定。

No.1 解壓docx文件

docx文件的原理，本質(zhì)上就是一個(gè)壓縮的zip文件，通過解壓以后，就可以獲取原來文件的各個(gè)內(nèi)容。

docx解壓后的文件結(jié)構(gòu)如下:

docx文件的文本內(nèi)容存儲(chǔ)結(jié)構(gòu)如下:

文本內(nèi)容存儲(chǔ)于word/document.xml文件中。

第一種方法，我們就可以先將docx還原成zip壓縮文件，再解壓zip文件，讀取word/document.xml文件的內(nèi)容就ok了。

具體操作代碼如下:

def get_content(self):
 """
 獲取docx文檔的文本內(nèi)容
 :rtype: object
 """
 os.chdir(r"C:\Users\Administrator\Desktop\新建文件夾") # 改變目錄到文件的目錄
 #
 os.rename("51 2014.09.12 1份Savannah.docx", "51 2014.09.12 1份Savannah.ZIP") # 重命名為zip文件
 f = zipfile.ZipFile('51 2014.09.12 1份Savannah.ZIP', 'r') # 進(jìn)行解壓
 xml = f.read("word/document.xml")
 wordObj = BeautifulSoup(xml.decode("utf-8"))
 # print(wordObj)
 texts = wordObj.findAll("w:t")
 content = []
 for text in texts:
 content.append(text.text)
 content_str = "".join(content)
 return content_str

最后獲取到的就是docx文檔的所有文本數(shù)據(jù)了。

No.2 將docx文檔轉(zhuǎn)換成python能夠處理的文本格式

第一種方法，是依據(jù)docx文檔的原理來獲取數(shù)據(jù),流程有點(diǎn)繁瑣，有沒有能直接讀取docx文檔內(nèi)容的方法呢？答案，肯定是沒有的，別想了，洗洗回家睡吧。

直接讀取docx文檔的方法沒有，有沒有能夠?qū)ocx文檔轉(zhuǎn)換成python能夠輕松處理的文本格式呢？

這個(gè)可以有，前面說了，python擁有大量豐富的第三方庫（先夸一波我大python）,歷經(jīng)千辛萬苦終于找到了，一個(gè)能轉(zhuǎn)換docx文檔格式的第三方庫,pydocx,pydocx庫中有個(gè)方法pydocx.to_html()就可以直接將docx文檔轉(zhuǎn)換為html文件，怎么樣？意不意外，驚喜不驚喜！

第二種方法，轉(zhuǎn)換文本格式的代碼如下:

def docx_to_html(self, docx_path):
 """
 docx文檔轉(zhuǎn)換成html響應(yīng)
 :rtype: object
 """
 # docx_path = "C:\\Users\Administrator\Desktop\新建文件夾\\51 2014.09.12 1份Savannah.docx"
 response = PyDocX.to_html(docx_path)

獲取到的response是html文件內(nèi)容。

四、Python處理mht文件

mht文件是一種只能在IE瀏覽器上展示的文本格式，在chrome瀏覽器中打開是一堆的亂碼。

No.1 偽造IE請求mht文件內(nèi)容

最基礎(chǔ)的讀取mht文本的方法就是偽造IE瀏覽器請求。

調(diào)用requests庫，發(fā)送get請求網(wǎng)頁鏈接，構(gòu)造IE的請求頭信息。

理論上來說，這種方法是可行的。但是呢，不建議用，原因大家都懂得。

No.2 轉(zhuǎn)換文件格式

好了說正經(jīng)的方法，猜測mht文件能否修改成其他文件格式來直接讀取呢？

docx,不行；html，不行；excel，更不用說了。

真相只有一個(gè)！！！

直接修改后綴得到的docx，無法讀取。

so,我們想到的方法是什么呢。沒錯(cuò)，就是修改成doc文檔。

方法是匪夷所思的，但也是靈感一現(xiàn)。

mht可以直接通過修改后綴轉(zhuǎn)換成doc文檔，doc文檔讀取文本內(nèi)容的方法具體參考上面讀取doc文檔的方法。

如何獲取html文本的內(nèi)容？

html文本的內(nèi)容是網(wǎng)頁結(jié)構(gòu)標(biāo)簽數(shù)據(jù)，取出文本的方式是：re正則，或者xpath。

后續(xù)，小伙伴有需要的話，會(huì)再開一章詳細(xì)了解re,xapth的使用規(guī)則。

來源網(wǎng)絡(luò)，侵權(quán)聯(lián)系刪除

天在處理html數(shù)據(jù)的時(shí)候發(fā)現(xiàn)了python里面比較好玩的幾個(gè)庫，先存起來之后有時(shí)間慢慢再去學(xué)習(xí)和使用，覺得是一件蠻有意思的事情。今天想學(xué)習(xí)使用的是html2text模塊和readability模塊。其中，第一個(gè)模塊是負(fù)責(zé)對(duì)html數(shù)據(jù)進(jìn)行處理的，返回html中的文本信息；第二個(gè)模塊是負(fù)責(zé)html數(shù)據(jù)中指定信息如：文章標(biāo)題、作者等信息的提取。

之前在處理爬取的html數(shù)據(jù)的時(shí)候大多數(shù)是自己編寫正則表達(dá)式或者是xpath規(guī)則集來完成指定數(shù)據(jù)字段信息的提取，相對(duì)來說比較靈活，但是規(guī)則集的編寫較為耗時(shí)，且遇上復(fù)雜數(shù)據(jù)的時(shí)候就難以應(yīng)付了。如果有現(xiàn)成的封裝好的模塊可以直接完成某一項(xiàng)工作的話還是很不錯(cuò)的，這兩個(gè)庫可以說還是比較不錯(cuò)，今天只是簡單拿來使用一下，之后再做到類似的項(xiàng)目的時(shí)候可以將一部分的工作交由固定模塊來完成。

下面是具體的實(shí)踐：

#!usr/bin/env python
# encoding:utf-8
 
'''
__Author__:沂水寒城
功能： html2text 模塊和 readability 模塊使用
'''
 
import sys
import urllib
import requests
import html2text
from readability import Document
 
 
reload(sys)
sys.setdefaultencoding('utf-8')
 
 
 
def test_func():
 '''
 官網(wǎng)實(shí)例，清洗html
 '''
 print html2text.html2text("<p>Hello, world.</p>")
 h=html2text.HTML2Text()
 h.ignore_links=True
 print h.handle("<p>Hello, <a )
 
 
def test_func2(url):
 '''
 獲取指定URL的html，對(duì)html進(jìn)行處理
 '''
 html=urllib.urlopen(url).read()
 h=html2text.HTML2Text()
 h.ignore_links=True
 print h.handle(html)
 
 
def test_func3(url):
 '''
 抽取指定URL中的標(biāo)題等數(shù)據(jù)
 '''
 response=requests.get(url)
 doc=Document(response.text)
 print doc.title()
 html=urllib.urlopen(url).read()
 #該方式抽取出來的readable_article是帶HTML標(biāo)簽的文本
 readable_article=Document(html).summary() 
 readable_title=Document(html).short_title()
 print 'readable_article: ',readable_article
 print 'readable_title: ',readable_title
 
 
 
if __name__=='__main__':
 url='https://mbd.baidu.com/newspage/data/landingsuper?context=%7B%22nid%22%3A%22news_2588586383061242738%22%7D&n_type=0&p_from=1'
 test_func()
 print '-|'*50
 test_func2(url)
 print '-|'*50
 test_func3(url)

運(yùn)行結(jié)果如下：