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

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

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

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

扫描二维码关注公众号，回复： 717177 查看本文章