doc2txt 1.0.7

Python wrapper for antiword with bundled binary and data files

doc2txt

一个用于从Microsoft Word文档中提取文本的Python包，基于antiword工具构建，内置了跨平台的二进制文件和数据文件。

功能特性

• 从.doc格式的Microsoft Word文档中提取纯文本
• 跨平台支持（Windows、Linux、macOS ARM64）
• 内置antiword二进制文件，无需额外安装
• 文本格式优化功能，自动处理换行和表格
• 简单易用的Python API

支持的平台

• Windows (AMD64)
• Linux (AMD64)
• macOS (ARM64/Apple Silicon)

注意：macOS Intel (x86_64) 暂不支持

安装

pip install doc2txt

快速开始

基本用法

from doc2txt import extract_text

# 从Word文档提取文本
text = extract_text('document.doc')
print(text)

启用文本格式优化

from doc2txt import extract_text

# 提取文本并优化格式（合并断行，处理表格）
text = extract_text('document.doc', optimize_format=True)
print(text)

使用文本优化工具

from doc2txt import extract_text, optimize_text

# 先提取原始文本
raw_text = extract_text('document.doc')

# 手动优化文本格式
optimized_text = optimize_text(raw_text)
print(optimized_text)

API 参考

extract_text(doc_path, optimize_format=False)

从Microsoft Word文档中提取文本。

参数:

• doc_path (str): .doc文件的路径
• optimize_format (bool): 是否优化文本格式，默认为False

返回:

• str: 从文档中提取的文本内容

异常:

• FileNotFoundError: 文件不存在
• ValueError: 文件格式不支持（仅支持.doc格式）
• RuntimeError: 平台不支持或二进制文件缺失、文档解析失败

optimize_text(text)

优化从文档中提取的文本格式。

参数:

• text (str): 从文档中提取的原始文本

返回:

• str: 格式优化后的文本

文本优化功能

文本优化功能解决了从Word文档提取文本时常见的格式问题：

• 智能语言检测: 使用fast-langdetect自动识别中日韩(CJK)语言
• 换行合并: 自动合并没有缩进的连续行，保持段落的完整性
• CJK优化: 中日韩文本合并时不添加空格，其他语言添加空格
• 表格处理: 智能识别表格行（包含|分隔符），保持表格格式
• 段落识别: 智能识别段落开头、列表项、标题等结构
• 空格处理: 移除行首多余空格，保持文档的清洁格式

项目结构

doc2txt/
├── __init__.py              # 包的主入口
├── antiword_wrapper.py      # antiword工具的Python封装
├── text_optimizer.py       # 文本格式优化工具
├── bin/                     # 跨平台二进制文件
│   ├── darwin-arm64/
│   ├── linux-amd64/
│   └── win-amd64/
└── antiword_share/          # antiword数据文件
    ├── fontnames
    └── *.txt                # 字符编码映射文件

依赖要求

• chardet>=5.2.0 - 字符编码检测
• fast-langdetect>=0.4.6 - 快速语言检测

许可证

MIT License

贡献

欢迎提交Issue和Pull Request来改进这个项目。

更新日志

1.0.7

• 替换 langdetect 为 fast-langdetect，提升80倍性能
• 改进CJK语言检测准确性
• 增强错误处理和输入验证
• 优化字符编码检测
• 添加完整的测试套件

1.0.6

• 更新版本号用于PyPI发布

1.0.5

• 改进文本优化逻辑

1.0.0

• 初始版本发布
• 支持从.doc文件提取文本
• 内置跨平台antiword二进制文件
• 文本格式优化功能