python读取html文件中的表格数据_Python 读取各类文件格式的文本信息 | doc,excel,html,mht...
原標(biāo)題：Python 讀取各類文件格式的文本信息 | doc,excel,html,mht
眾所周知,python最強(qiáng)大的地方在于，python社區(qū)匯總擁有豐富的第三方庫(kù)，開源的特性，使得有越來越多的技術(shù)開發(fā)者來完善。
python的完美性。
未來人工智能，大數(shù)據(jù)方向，區(qū)塊鏈的識(shí)別和進(jìn)階都將以python為中心來展開。
咳咳咳！ 好像有點(diǎn)打廣告的嫌疑了。
當(dāng)前互聯(lián)網(wǎng)信息共享時(shí)代，最重要的是什么?是數(shù)據(jù)。最有價(jià)值的是什么？是數(shù)據(jù)。最能直觀體現(xiàn)技術(shù)水平的是什么?還是數(shù)據(jù)。
所以，今天我們要分享的是：如何來獲取各個(gè)文件格式的文本信息。
普通文件的格式 一般分為: txt普通文本信息，doc word文檔，html網(wǎng)頁內(nèi)容，excel表格數(shù)據(jù)，以及特殊的mht文件。
一、Python處理html網(wǎng)頁信息
html類型的文本數(shù)據(jù)，內(nèi)容是由前端代碼書寫的標(biāo)簽+文本數(shù)據(jù)的格式，可以直接在chrome瀏覽器打開，清楚 的展示出文本的格式。
python 獲取html文件的內(nèi)容和獲取txt文件的方法相同，直接打開文件讀取就可以了。
讀取代碼如下:
with open(html_path, "r", encoding="utf-8") as f:
file = f.read()
file 是html文件的文本內(nèi)容。是一個(gè)網(wǎng)頁標(biāo)簽的格式內(nèi)容。
二、Python處理excel表格信息
python擁有直接操作excel表格的第三方庫(kù)xlwt,xlrd。調(diào)用對(duì)應(yīng)的方法就可以讀寫excel表格數(shù)據(jù)。
讀取excel操作代碼如下:
filepath = "C:\UsersAdministratorDesktop新建文件夾笨笨 前程6份 武漢.xls"
sheet_name = "UserList"
rb = xlrd.open_workbook(filepath)
sheet = rb.sheet_by_name(sheet_name)
# clox_list = [0, 9, 14, 15, 17]
for row in range(1, sheet.nrows):
w = WriteToExcel()
# for clox in clox_list:
name = sheet.cell(row, 0).value
phone = sheet.cell(row, 15).value
address = sheet.cell(row, 9).value
major = sheet.cell(row, 14).value
age = sheet.cell(row, 8).value
其中row是表格數(shù)據(jù)對(duì)應(yīng)的行數(shù)， cell獲取具體行數(shù)，列數(shù)的具體數(shù)據(jù)。
三、Python讀取doc文檔數(shù)據(jù)
python讀取doc文檔是最麻煩的。處理邏輯復(fù)雜。處理的方式也有很多種。
python 沒有直接處理doc文檔的第三方庫(kù)，但是有一個(gè)處理docx的第三方庫(kù)。可以通過將doc文件轉(zhuǎn)換為docx文件，再調(diào)用第三方python庫(kù)pydocx來讀取doc文檔的內(nèi)容。
這里需要注意的是,不要直接修改doc的后綴來修改成docx文件。直接通過修改后綴獲取的docx文件，pydocx無法讀取內(nèi)容。
我們可以使用另外一個(gè)庫(kù)來修改doc為docx。
具體代碼如下:
def doSaveAas(self, doc_path):
"""
將doc文檔轉(zhuǎn)換為docx文檔
:rtype: object
"""
docx_path = doc_path.replace("doc", "docx")
word = wc.Dispatch('Word.Application')
doc = word.Documents.Open(doc_path) # 目標(biāo)路徑下的文件
doc.SaveAs(docx_path, 12, False, "", True, "", False, False, False, False) # 轉(zhuǎn)化后路徑下的文件
doc.Close()
word.Quit()
代碼所需的包接口:
import os
import zipfile
from win32com import client as wc
import xlrd
from bs4 import BeautifulSoup
from pydocx import PyDocX
from lxml import html
from xpath_content import XpathContent
from write_to_excel import WriteToExcel
python處理docx文檔的方法有很多種，具體使用情況，根據(jù)個(gè)人需求來決定。
No.1 解壓docx文件
docx文件的原理，本質(zhì)上就是一個(gè)壓縮的zip文件，通過解壓以后，就可以獲取原來文件的各個(gè)內(nèi)容。
docx解壓后的文件結(jié)構(gòu)如下:
docx文件的文本內(nèi)容存儲(chǔ)結(jié)構(gòu)如下:
文本內(nèi)容存儲(chǔ)于word/document.xml文件中。
第一種方法，我們就可以先將docx還原成zip壓縮文件，再解壓zip文件，讀取word/document.xml文件的內(nèi)容就ok了。
具體操作代碼如下:
def get_content(self):
"""
獲取docx文檔的文本內(nèi)容
:rtype: object
"""
os.chdir(r"C:UsersAdministratorDesktop新建文件夾") # 改變目錄到文件的目錄
#
os.rename("51 2014.09.12 1份Savannah.docx", "51 2014.09.12 1份Savannah.ZIP") # 重命名為zip文件
f = zipfile.ZipFile('51 2014.09.12 1份Savannah.ZIP', 'r') # 進(jìn)行解壓
xml = f.read("word/document.xml")
wordObj = BeautifulSoup(xml.decode("utf-8"))
# print(wordObj)
texts = wordObj.findAll("w:t")
content = []
for text in texts:
content.append(text.text)
content_str = "".join(content)
return content_str
最后獲取到的就是docx文檔的所有文本數(shù)據(jù)了。
No.2 將docx文檔轉(zhuǎn)換成python能夠處理的文本格式
第一種方法，是依據(jù)docx文檔的原理來獲取數(shù)據(jù),流程有點(diǎn)繁瑣，有沒有能直接讀取docx文檔內(nèi)容的方法呢？答案，肯定是沒有的，別想了，洗洗回家睡吧。
直接讀取docx文檔的方法沒有，有沒有能夠?qū)ocx文檔轉(zhuǎn)換成python能夠輕松處理的文本格式呢？
這個(gè)可以有，前面說了，python擁有大量豐富的第三方庫(kù)(先夸一波我大python),歷經(jīng)千辛萬苦終于找到了，一個(gè)能轉(zhuǎn)換docx文檔格式的第三方庫(kù),pydocx,pydocx庫(kù)中有個(gè)方法pydocx.to_html()就可以直接將docx文檔轉(zhuǎn)換為html文件，怎么樣？意不意外，驚喜不驚喜！
第二種方法，轉(zhuǎn)換文本格式的代碼如下:
def docx_to_html(self, docx_path):
"""
docx文檔轉(zhuǎn)換成html響應(yīng)
:rtype: object
"""
# docx_path = "C:\UsersAdministratorDesktop新建文件夾\51 2014.09.12 1份Savannah.docx"
response = PyDocX.to_html(docx_path)
獲取到的response是html文件內(nèi)容。
四、Python處理mht文件
mht文件是一種只能在IE瀏覽器上展示的文本格式，在chrome瀏覽器中打開是一堆的亂碼。
No.1 偽造IE請(qǐng)求mht文件內(nèi)容
最基礎(chǔ)的讀取mht文本的方法就是偽造IE瀏覽器請(qǐng)求。
調(diào)用requests庫(kù)，發(fā)送get請(qǐng)求網(wǎng)頁鏈接，構(gòu)造IE的請(qǐng)求頭信息。
理論上來說，這種方法是可行的。但是呢，不建議用，原因大家都懂得。
No.2 轉(zhuǎn)換文件格式
好了說正經(jīng)的方法，猜測(cè)mht文件能否修改成其他文件格式來直接讀取呢？
docx,不行；html，不行；excel，更不用說了。
真相只有一個(gè)！！！
直接修改后綴得到的docx，無法讀取。
so,我們想到的方法是什么呢。沒錯(cuò)，就是修改成doc文檔。
方法是匪夷所思的，但也是靈感一現(xiàn)。
mht可以直接通過修改后綴轉(zhuǎn)換成doc文檔，doc文檔讀取文本內(nèi)容的方法具體參考上面讀取doc文檔的方法。
如何獲取html文本的內(nèi)容？
html文本的內(nèi)容是網(wǎng)頁結(jié)構(gòu)標(biāo)簽數(shù)據(jù)，取出文本的方式是：re正則，或者xpath。
后續(xù)，小伙伴有需要的話，會(huì)再開一章詳細(xì)了解re,xapth的使用規(guī)則。
來源網(wǎng)絡(luò)，侵權(quán)聯(lián)系刪除返回搜狐，查看更多
責(zé)任編輯：
總結(jié)
以上是生活随笔為你收集整理的python读取html文件中的表格数据_Python 读取各类文件格式的文本信息 | doc,excel,html,mht...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 时间同步失败_跨系统历史数据同步脚本实战
- 下一篇： python求点到曲线距离_Python