Python转换器库，用于DOC，DOCX和PDF

Question

Possible Duplicate:
solution to convert PDFs, DOCs, DOCXs into a textual format with python

我正在做一个文档搜索引擎，索引流行的二进制格式。为此，我正在寻找python库。

事实证明，要找到可靠的转换器太难了。PyPDF永远无法准确工作。请回复：

• 将这些格式转换为文本的python库
• 或者跨平台的独立程序，可以作为子进程调用

Answer 1

你可以试试开办公室。

转换技能高于平均水平。要编辑PDF文档，需要安装pdf import extension。

使用python有一些扩展，比如python-uno bridge，但是我遇到了一些困难，通常将open office作为一个子进程调用。

刚刚注意到你在下面重复了一个问题： solution to convert PDFs, DOCs, DOCXs into a textual format with python。。。

Answer 2

• 您可以通过解压缩它，然后在生成的文件夹结构中查找来对其进行排序。见How can I search a word in a Word 2007 .docx file?。
• 如果pyPDF不适合您，您可以使用pdftotext作为子流程。
• .doc可能是最难的。COM脚本是你的一个选择吗？也就是说，要求Word打开文件并将其导出为文本？有一个linux实用程序extracting text from MS word files in python。