更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效绕过各种反采集策略。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • 【经验分享】代理服务器出现大量TIME_WAIT怎么破?爬虫客户端用什么库更高效?在本文我们将通过实验给你解答 “与TIME_WAIT相关的一些实验” >>>  http://www.site-digger.com/html/articles/20181109/683.html ​​​​
    发布时间:2018-11-09 16:58:07
  • 【备忘】mitmproxy v0.18.2版本Python script示例  
    归纳了一下公司近期常用的mitmproxy Python script编写示例,通过本示例你将学会在mitmproxy中如何通过外挂Python脚本修改请求和应答数据, >>> http://www.site-digger.com/html/articles/20181109/682.html ​​​​
    发布时间:2018-11-09 16:56:27
  • 【经验分享】自己gcc编译出来的squid可执行程序体积比官方rpm包里的体积大9倍(官方的6MB,自己编译出来的59MB)!使用strip --strip-unneeded file-path 处理之后,体积也变成6MB了!(running strip is a good way to get the size down after you have a binary and the binary is in ELF format. strip just removes debug and unreferenced symbols after the binary has been created.) >>> 参考:http://www.cplusplus.com/forum/unices/123451/
    发布时间:2018-11-07 14:02:55
  • 【干货干货】整整花了2天时间搞的。 iptables DNAT Web流量截取实验 >>> http://www.site-digger.com/html/articles/20181105/681.html ​​​​
    发布时间:2018-11-05 13:09:48
  • 【经验分享-纯干货】SNI导致Python 2.7建立TLS连接出现104错误问题的解决 >>> http://www.site-digger.com/html/articles/20181026/680.html ​​​​
    发布时间:2018-10-26 18:05:14
  • 【经验分享】使用openssl模拟与HTTPS网站的交互 >>> http://www.site-digger.com/html/articles/20181026/679.html ​​​​
    发布时间:2018-10-26 18:01:45
  • 美团外卖北京/上海/广州/杭州/成都五城市商户数据2018年10月份采集更新

    详细字段说明:
    “province” – 省份
    “city” – 城市
    “shop_name” – 店铺名称
    “address” – 店铺地址
    “category” – 大分类
    “third_category” – 小分类
    “phones” – 电话号码
    “score” – 店铺评分
    “min_price” – 起送价
    “month_sales” – 月售
    “shipping_fee” – 配送费
    “per_cost” – 人均消费
    “delivery_time” – 配送时间
    “delivery_tip” – 配送服务信息
    “pic_url” – 店铺图片
    “qualification” – 营业执照
    “shiping_time” – 营业时间
    “lat” – 纬度
    “lng” – 经度
    “comment_num” – 评论数

    >>> http://www.data-shop.net/2018/10/%E7%BE%8E%E5%9B%A2%E5%A4%96%E5%8D%96%E5%8C%97%E4%BA%AC%E4%B8%8A%E6%B5%B7%E5%B9%BF%E5%B7%9E%E6%9D%AD%E5%B7%9E%E6%88%90%E9%83%BD%E4%BA%94%E5%9F%8E%E5%B8%82%E5%95%86%E6%88%B7%E6%95%B0%E6%8D%AE2018/
    发布时间:2018-10-25 17:47:47
  • Selenium+Chrome淘宝正常登录方案演示:
    1. 不做特殊处理情况下,Selenium无法正常登录淘宝,会出验无法完成的验证码;
    2. 经过特殊处理后,成功突破淘宝对Selenium的检测,完美登录成功(连验证码都不会出现)。
    点击链接查看演示视频: >>> http://t.cn/EzdwqSY ​​​​
    发布时间:2018-10-22 16:55:09
  • 【经验分享】如何根据淘宝/天猫的分类ID(categoryId值)获取对应的分类名称?

    (1) 如图1所示,先从商品源码获取"categoryId"参数值,例如1512;
    (2)如图2所示,查表可知对应分类名称为"手机";

    点击这里购买该分类映射表(2018年10月份采集更新):
    http://t.cn/EzwnBs1 ​​​​
    发布时间:2018-10-17 11:46:05
  • FontEditor Online 赞! >>> http://t.cn/RKDTzTV ​​​​
    发布时间:2018-10-11 14:14:20
当前位置: 首页 > 技术文章 >
Linux下word批量转text
发布时间:2017-10-26 来源:未知 浏览:

    前段时间做裁判文书网的项目,要将Word格式的.doc文件内容转换为text文本内容,由于项目实施是布署在Linux服务器上的,所以要在Linux下实现word批量转text的操作。鲲之鹏的技术人员先后尝试了多种方法,现摘要记录印象较深的两个方法,以做备忘。
(1)用soffice命令行实现doc转txt
    在Linux下可以用LibreOffice的soffice命令行来实现Word文件转txt文件,其命令行格式如下:
    soffice --headless --convert-to txt test.doc --outdir txt_dir
    命令行运行如下:
 
    转换的结果如下:
    可见,用此方法提取出来的文本数据会失去原有的段落结构,文字内容较多时就不容易看清原有的段落了。
    另外,更大的问题是,soffice似乎不支持并行转换,笔者在尝试在多线程或多进程中进行批量处理时发现,程序在应用soffice 转换时会不定期地卡死,而在单进程单线程处理时则正常。
    顺便说一下,soffice除了可以将Word文件转换为txt文件,也可以将Word文件转换为html文件,命令行格式如下:
    soffice --headless --convert-to html test.doc --outdir html_dir
    经测试发现,用soffice转换生成的html文件,效果还是很不错的。不过可惜的是不能支持并行转换。
(2)用docx2txt模块实现doc转txt
    通过查阅资料,鲲之鹏的技术人员了解到Word的文本数据都在document.xml文件里存着,只要解压Word文档就能看到这个文件。所以,可以从document.xml文件中获取到Word文档的纯文本数据。而python-docx2txt模块就可以实现这样的处理。
    从Word文档中提取纯文本数据:
    可见,提取出来的文本数据会保留原有的段落结构,而且从显示的结果来看,更贴近原始Word文档的段落结构。更重要的是,经鲲之鹏的技术人员测试,python-docx2txt模块可以很好地支持多进程、多线程的批量处理,这对于大批量的文档处理来说,无疑是个好消息。
    需要说明的是,python-docx2txt模块只能将Word文档内容转换为纯文本,而不能直接转为html格式。
    另外,除python-docx2txt模块外,python-docx模块也能从Word文档中提取纯文本数据,应用方法也是一样的。不同的是,python-docx2txt模块看起来貌似写的更完善,而python-docx模块除了能提取wrod文件中的文本数据,从其说明文档上看似乎还能编辑word文件,不过这一点笔者并没有尝试。
    现将两个模块的获取路径记录于此:
◆ python-docx 
◆ python-docx2txt
特别说明:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。