mht是什么格式的文件


mht是什么格式的文件

文章插图
mht是什么格式的文件1mht是mimemhtl的缩写 , 是一种用来保存mhtl文件的格式 , 与mhtl不同 , 它可以将mhtl页面以及页面中连接的图片文件保存到一个单一的文件中 , 非常便于使用和保存 , mht默认使用IE浏览器打开 。
Python 读取各类文件格式的文本信息 | doc,excel,html,mht2众所周知,python最强大的地方在于 , python社区汇总拥有丰富的第三方库 , 开源的特性 , 使得有越来越多的技术开发者来完善 。
python的完美性 。
未来人工智能 , 大数据方向 , 区块链的识别和进阶都将以python为中心来展开 。
咳咳咳! 好像有点打广告的嫌疑了 。
当前互联网信息共享时代 , 最重要的是什么?是数据 。最有价值的是什么?是数据 。最能直观体现技术水平的是什么?还是数据 。
所以 , 今天我们要分享的是:如何来获取各个文件格式的文本信息 。
普通文件的格式 一般分为: txt普通文本信息 , doc word文档 , html网页内容 , excel表格数据 , 以及特殊的mht文件 。
一、Python处理html网页信息
html类型的文本数据 , 内容是由前端代码书写的标签+文本数据的格式 , 可以直接在chrome浏览器打开 , 清楚 的展示出文本的格式 。
python 获取html文件的内容和获取txt文件的方法相同 , 直接打开文件读取就可以了 。
读取代码如下:
with open(html_path, "r", encoding="utf-8") as f: file = f.read()file 是html文件的文本内容 。是一个网页标签的格式内容 。
二、Python处理excel表格信息
python拥有直接操作excel表格的第三方库xlwt,xlrd 。调用对应的方法就可以读写excel表格数据 。
读取excel操作代码如下:
filepath = "C:\UsersAdministratorDesktop新建文件夹笨笨 前程6份 武汉.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是表格数据对应的行数 ,  cell获取具体行数 , 列数的具体数据 。
三、Python读取doc文档数据
python读取doc文档是最麻烦的 。处理逻辑复杂 。处理的方式也有很多种 。
python 没有直接处理doc文档的第三方库 , 但是有一个处理docx的第三方库 。可以通过将doc文件转换为docx文件 , 再调用第三方python库pydocx来读取doc文档的内容 。
这里需要注意的是,不要直接修改doc的后缀来修改成docx文件 。直接通过修改后缀获取的docx文件 , pydocx无法读取内容 。
我们可以使用另外一个库来修改doc为docx 。
具体代码如下:
def doSaveAas(self, doc_path): """ 将doc文档转换为docx文档 :rtype: object """ docx_path = doc_path.replace("doc", "docx") word = wc.Dispatch('Word.Application') doc = word.Documents.Open(doc_path) # 目标路径下的文件 doc.SaveAs(docx_path, 12, False, "", True, "", False, False, False, False) # 转化后路径下的文件 doc.Close() word.Quit()代码所需的包接口:
import osimport zipfilefrom win32com import client as wcimport xlrdfrom bs4 import BeautifulSoupfrom pydocx import PyDocXfrom lxml import htmlfrom xpath_content import XpathContentfrom write_to_excel import WriteToExcelpython处理docx文档的方法有很多种 , 具体使用情况 , 根据个人需求来决定 。
No.1 解压docx文件
docx文件的原理 , 本质上就是一个压缩的zip文件 , 通过解压以后 , 就可以获取原来文件的各个内容 。
docx解压后的文件结构如下:
docx文件的文本内容存储结构如下:
文本内容存储于word/document.xml文件中 。
第一种方法 , 我们就可以先将docx还原成zip压缩文件 , 再解压zip文件 , 读取word/document.xml文件的内容就ok了 。
具体操作代码如下:
def get_content(self): """ 获取docx文档的文本内容 :rtype: object """ os.chdir(r"C:UsersAdministratorDesktop新建文件夹") # 改变目录到文件的目录 # os.rename("51 2014.09.12 1份Savannah.docx", "51 2014.09.12 1份Savannah.ZIP") # 重命名为zip文件 f = zipfile.ZipFile('51 2014.09.12 1份Savannah.ZIP', 'r') # 进行解压 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最后获取到的就是docx文档的所有文本数据了 。