Microsoft Office文档上的任意音译
convertextract的Python项目详细描述
转换提取
===
基于任意对应关系提取和查找/替换文本。这个库是dean malmgren的textract库的分叉。https://github.com/deanmalmgren/textract
文档
安装
要安装,必须安装Python3.4+和PIP。
pip install convertextract
为了支持不同的文件格式,需要为不同的操作系统安装一些源库。有关文档,请访问http://textract.readthedocs.org/en/latest/installation.html。
===
基本的cli使用
保留了一些基本的textract函数。有关文档,请访问http://textract.readthedocs.org。
基于xlsx转换文件
ConvertExtract需要两个参数:
- 包含要转换的文本的文件(从1.0.4版起,这包括.pptx、.docx、.xlsx和.txt)
- 包含查找/替换对应关系的.xlsx文件。从2.0.1版起,您还可以使用.csv文件,或直接将一系列对应项(如python dict)馈送到
process
或process_text
运行命令:
convertextract path/to/foo.docx -l path/to/bar.xlsx
将生成一个新文件path/to/foo_converted.docx
,其中包含与path/to/foo.docx
相同的内容,但对path/to/bar.xlsx
中列出的所有对应项执行查找/替换。
创建.xlsx对应表
您的通信表必须设置如下:
in | out |
---|---|
aa | å |
oe | ø |
ae | æ |
在这里,此对应表(不包括诸如“替换为”或“查找”之类的标题)将分别用_、_或_替换给定文件中a a、oe或ae的所有实例。
支持的转换
从2.0版起,支持以下转换:
- Heiltsuk Doulos字体->;Unicode
convertextract path/to/foo.docx -l hei -t Doulos
- Heiltsuk Times字体->;Unicode
convertextract path/to/foo.docx -l hei -t Times
- 双字体tsilhqot'->;Unicode
convertextract path/to/foo.docx -l clc -t Doulos
- 纳瓦霍时代字体->;Unicode
convertextract path/to/foo.docx -l nav -t Times
使用正则表达式
从版本1.5开始,支持正则表达式。如果不需要使用上下文相关转换,则不需要包含它们。但是,如果您这样做了,您应该按如下方式设置通信表:
in | out | context_before | context_after |
---|---|---|---|
aa | å | [k,d] | $ |
aa | æ | t | $ |
aa | a: |
有关如何准确处理g2p的更多信息,请访问https://github.com/roedoejet/g2p。
用作python包
可以在python脚本中使用该包,该脚本返回转换后的文本,但不带格式。运行脚本仍将创建一个foo_converted.docx
文件。
importconvertextracttext=convertextract.process('foo.docx',language='bar.xlsx')
您还可以使用convertextract使用process_text
在python中转换文本。
importconvertextracttext=convertextract.process_text('test',language=[{'in':'t','out':'p','context_before':'^','context_after':'e'}])