Python textract ImportError

Question

我已经开始使用Python库textract解析来自PowerPoint（.pptx），Word文档（ .docx）和文本文件（* .txt）的文本。我写了一个简单的脚本来测试它。

# Python textract test script 
import textract 
textract.process("H:\My Documents\Test.docx") 

当我运行它，无论是在命令行或在空闲时，我得到一个回溯与最后几行是：

File: "C:...\textract\parsers\docx_parser.py", line 1 in import docx2txt ImportError: No module named docx2txt

我使用的1.5.0版本，从https://pypi.python.org/pypi/textract下载。我不知道为什么它不包含任何依赖关系。我需要安装docx2txt及其后续的依赖关系吗？为什么textract包不包含我需要的所有东西？

Answer 1

我会推荐使用pip install xxx来安装模块。这将安装在通常由python查看的路径中。它也应该照顾依赖。

如果你没有手动安装或只是把它解压到晚餐文件夹，然后正确设置你的路径，像这里所描述How to add to the pythonpath in windows 7?或Python - PYTHONPATH in linux

如果你认为你已经正确设置它，然后再发布它的价值，PWD等。

Answer 2

textract不会自动安装它支持的所有文件类型的依赖关系。你有选择地安装你感兴趣的。

尽管这不像人们想象的那样优雅，但在我看来这是合适的设计选择。 Python没有能力按需安装依赖项，所以唯一的选择是textract安装全部十几个或更多可能的依赖关系，这会导致你的Python环境膨胀。

因此，在这种情况下，卡什亚普提到，相应的操作是：

pip install python-docx 

和您可能需要的任何其他文件类型的依赖关系类似。