读取内存中的doc文件

Question

我有一个 json，它以 base64 格式存储各种文件类型（例如 pdf、docx、doc）。所以我已经能够成功地转换pdf和docx文件，并通过将它们传递到内存中来读取它们的内容，而不是将它们转换成物理文件然后读取它们。但是，我无法对文档文件执行此操作。

有人能指出我正确的方向吗？我在 windows 上并尝试了 textract 但无法让图书馆工作。我对其他解决方案持开放态度。

#This works using a docx file
resume = (df.iloc[180]['Candidate_Resume_Attachment_Base64_Image'])
resume_bytes = resume.encode('ascii')
decoded = base64.decodebytes(resume_bytes)
result = BytesIO()
result.write(decoded)
docxReader = docx2txt.process(result)

#This does not working using a doc file
message=((df.iloc[361]['Candidate_Resume_Attachment_Base64_Image']))
resume_bytes = message.encode('ascii')
decoded = base64.decodebytes(resume_bytes)
result = BytesIO()
result.write(decoded)
word = win32.gencache.EnsureDispatch('Word.Application')
word.Visible = False
doc = word.Documents.Open(result)

#error:
    ret = self._oleobj_.InvokeTypes(19, LCID, 1, (13, 0), ((16396, 1), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17), (16396, 17)),FileName

com_error: (-2147352571, 'Type mismatch.', None, 16)

Answer 1

万一其他人需要读取内存中的 doc 文件，这是我的 hacky 解决方案，直到我找到更好的解决方案。

1)使用olefile库读取doc文件，导致unicode字符混合。 2) 使用正则表达式捕获文本。

        import olefile
        #retrieve base64 image and decode into bytes, in this case from a df
        message = row['text']
        text_bytes = message.encode('ascii')
        decoded = base64.decodebytes(text_bytes)
        #write in memory
        result = BytesIO()
        result.write(decoded)
        #open and read file
        ole=olefile.OleFileIO(result)
        y = ole.openstream('WordDocument').read()
        y=y.decode('latin-1',errors='ignore')
        #replace all characters that are not part of the unicode list below (all latin characters) and spaces with an Astrisk. This can probably be shortened using a similar pattern used in the next step and combining them
        y=(re.sub(r'[^\x0A,\u00c0-\u00d6,\u00d8-\u00f6,\u00f8-\u02af,\u1d00-\u1d25,\u1d62-\u1d65,\u1d6b-\u1d77,\u1d79-\u1d9a,\u1e00-\u1eff,\u2090-\u2094,\u2184-\u2184,\u2488-\u2490,\u271d-\u271d,\u2c60-\u2c7c,\u2c7e-\u2c7f,\ua722-\ua76f,\ua771-\ua787,\ua78b-\ua78c,\ua7fb-\ua7ff,\ufb00-\ufb06,\x20-\x7E]',r'*', y))
        #Isolate the body of the text from the rest of the gibberish
        p=re.compile(r'\*{300,433}((?:[^*]|\*(?!\*{14}))+?)\*{15,}')
        result=(re.findall(p, y))
        #remove * left in the capture group
        result = result[0].replace('*','')

对我来说，我需要确保在解码过程中不会丢失重音字符，并且由于我的文档是英语、西班牙语和葡萄牙语，所以我选择使用 latin-1 进行解码。从那里我使用正则表达式模式来识别所需的文本。解码后，我发现在我所有的文档中，捕获组前面都有 ~400 '*' 和一个 ':' 。不确定使用此方法解码时这是否是所有文档文档的规范，但我以此为起点创建正则表达式模式以将所需文本与其余乱码隔离开来。

读取内存中的doc文件

Reading a doc file in memory

python

base64

doc

in-memory