Python：从URL中的Word文件中提取文本

问题描述：

如果URL包含某个文件（在本例中为word文档），请阅读文档的内容。我已经看到了几个如何从本地文档中提取文本的例子，但没有从网址中提取文本。从一个http地址比从一个ftp是否是相同的？Python：从URL中的Word文件中提取文本

from urllib.request import urlopen 

url = 'ftp://path/to/file.docx' 

txt = urlopen(url).read()

文本的价值是：

b'PK\x03\x04\x14\x00\x06\x00\x08\x00\x00\x00!\x00\xdd\xfc\x957f\x01\x00\x00 \x05\x00\x00\x13\x00\x08\x02[Content_Types].xml \xa2\x04\x02(\xa0\x00\x02\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00 ...'

我尝试解码

txt.decode("utf-8", "ignore")

但这返回PK ...其次是其他奇怪的字符

保存文档的选项然后处理它是不可行的。

我在做什么错？

使用urlib2这是它做什么。 :)我认为现在有一个lib3。 – Rob

https://docs.python.org/3.6/library/urllib.request.html#module-urllib.request –

您可以使用urlib2从该URL下载文件，并将其保存在本地，最后从中提取数据它为本地文件 –

答

我终于找到了一个解决方案，我希望有人可以帮助

from urllib.request import urlopen 
from bs4 import BeautifulSoup 
from io import BytesIO 
from zipfile import ZipFile 

file = urlopen(url).read() 
file = BytesIO(file) 
document = ZipFile(file) 
content = document.read('word/document.xml') 
word_obj = BeautifulSoup(content.decode('utf-8')) 
text_document = word_obj.findAll('w:t') 
for t in text_document: 
    print(t.text)

答

通过使用requests和docx2txt这很简单：

import requests 
import docx2txt 
from io import BytesIO 

url = "http://url.to.file/sample.docx" 
docx = BytesIO(requests.get(url).content) 

# extract text 
text = docx2txt.process(docx)

Python：从URL中的Word文件中提取文本

相关推荐