python模块将doc/pdf/docx/rtf格式转换为文本[重复]

Posted 2023-02-24

【中文标题】python模块将doc/pdf/docx/rtf格式转换为文本[重复]

【英文标题】：python module to convert doc/pdf/docx/rtf formats to text [duplicate]

【发布时间】：2017-04-30 15:45:02

【问题描述】：

我正在谷歌搜索答案，但我找不到一个模块来将 doc/pdf/docx/rtf 转换为文本

有没有python模块可以将doc/pdf/docx/rtf格式转换为文本？

【问题讨论】：

也适用于 Word：***.com/q/42482/3377150

也适用于 RTF：***.com/q/1337446/3377150

【参考方案1】：

一个模块来统治他们！

textract。它支持许多用于文本提取的文件类型，包括您在问题中指定的所有文件类型。

.doc via antiword .pdf 通过 pdftotext（默认）或 pdfminer.six .docx 通过 python-docx .rtf 通过 unrtf

PDF 示例

http://textract.readthedocs.io/en/latest/python_package.html

import textract
text = textract.process('path/to/a.pdf', method='pdfminer')