[正则表达式通过压缩文档，不提取－ python

Question

使用python 3.5

我需要找到存储在1997-2003年老式Windows .doc文件中的特定文本，并将其转储到csv中。我的约束是：

a）文档文件位于压缩存档中：我无法写入磁盘/我需要在内存中工作

b）我需要使用正则表达式查找特定文本，因此需要将文档转换为.txt

理想情况下，我可以使用zipfile读取文件，将数据传递到某些doc-to-txt转换器（例如textract），然后在txt上使用正则表达式。可能看起来像

import zipfile
import textract
import re

    with zipfile.ZipFile(zip_archive, 'r') as f:
    for name in f.namelist():
        data = f.read(name)
        txt = textract.process(data).decode('utf-8')  
        #some regex on txt

这当然是行不通的，因为textract（以及其他任何doc-to-txt转换器）的参数是文件路径，而“数据”是字节。使用“名称”作为自变量会给出MissingFileError，这可能是因为zip归档文件没有目录结构，而只是文件名模拟了路径。

是否有任何方法可以仅在内存中通过压缩的doc文件进行正则表达式，而无需提取文件（并因此将它们写入磁盘）？

Answer 1

这两个示例直接从docx存档中读取文件-该文件未提取到磁盘。

如果要以字典和列表的形式对数据进行排序：

import zipfile
import xmltodict

zf        = zipfile.ZipFile('/temp/example.docx')
data      = xmltodict.parse(zf.open('word/document.xml'))
some_text = data['w:document']['w:body']['w:p'][46]['w:r']['w:t']

print(some_text)

或使用xml.etree.ElementTree。我认为好多了。在相关节点上查找和迭代非常容易。另外，您可以利用XPATH在文档中搜索特定元素。

此示例从.docx文件读取所有文本，并将其写入stdout。比较简单。给re.findall()的正则表达式提取所有括号内的文本。

import re
import xml.etree.ElementTree as ET
import zipfile

_NS_DICT = {'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main'}

def get_docx_text(docx_path):

    with zipfile.ZipFile(docx_path) as zf:
        tree = ET.parse(zf.open('word/document.xml'))

    all_text = '\n'.join([n.text for n in tree.findall('.//w:t', _NS_DICT)])

    return all_text

if __name__ == '__main__':

    text = get_docx_text('/temp/example.docx')

    for line in text.splitlines():
        print(line)

    find_results = re.findall(r"\(.*?\)", text)

    print(find_results)

在get_docx_text()中，此行捕获所有文本：

all_text = '\n'.join([n.text for n in tree.findall('.//w:t', _NS_DICT)])

字符串：'.//w:t'是一个XPATH表达式，它告诉模块选择单词文档的所有t（文本）节点。然后列表推导将所有文本连接起来。

一旦从get_docx_text()返回了文本，就可以应用正则表达式，逐行对其进行迭代，或者执行任何所需的操作。

---

MS docx文件格式：https://wiki.fileformat.com/word-processing/docx/

xml.ElementTree文档：https://docs.python.org/3/library/xml.etree.elementtree.html?highlight=xml%20etree#module-xml.etree.ElementTree

XPATH：https://docs.python.org/3/library/xml.etree.elementtree.html?highlight=xml%20etree#elementtree-xpath

从该来源借用的第二个示例：https://etienned.github.io/posts/extract-text-from-word-docx-simply/