mht是什么格式的文件( 二 ) _数码科技

No.2 将docx文档转换成python能够处理的文本格式
第一种方法，是依据docx文档的原理来获取数据,流程有点繁琐，有没有能直接读取docx文档内容的方法呢？答案，肯定是没有的，别想了，洗洗回家睡吧。
直接读取docx文档的方法没有，有没有能够将docx文档转换成python能够轻松处理的文本格式呢？
这个可以有，前面说了， python拥有大量丰富的第三方库（先夸一波我大python）,历经千辛万苦终于找到了，一个能转换docx文档格式的第三方库,pydocx,pydocx库中有个方法pydocx.to_html()就可以直接将docx文档转换为html文件，怎么样？意不意外，惊喜不惊喜！
第二种方法，转换文本格式的代码如下:
def docx_to_html(self, docx_path): """ docx文档转换成html响应 :rtype: object """ # docx_path = "C:\UsersAdministratorDesktop新建文件夹\51 2014.09.12 1份Savannah.docx" response = PyDocX.to_html(docx_path)获取到的response是html文件内容。
四、Python处理mht文件
mht文件是一种只能在IE浏览器上展示的文本格式，在chrome浏览器中打开是一堆的乱码。
No.1 伪造IE请求mht文件内容
最基础的读取mht文本的方法就是伪造IE浏览器请求。
调用requests库，发送get请求网页链接，构造IE的请求头信息。
理论上来说，这种方法是可行的。但是呢，不建议用，原因大家都懂得。
No.2 转换文件格式
好了说正经的方法，猜测mht文件能否修改成其他文件格式来直接读取呢？
docx,不行；html ，不行；excel ，更不用说了。
真相只有一个！！！
【mht是什么格式的文件】直接修改后缀得到的docx ，无法读取。
so,我们想到的方法是什么呢。没错，就是修改成doc文档。
方法是匪夷所思的，但也是灵感一现。
mht可以直接通过修改后缀转换成doc文档， doc文档读取文本内容的方法具体参考上面读取doc文档的方法。
如何获取html文本的内容？
html文本的内容是网页结构标签数据，取出文本的方式是：re正则，或者xpath 。
后续，小伙伴有需要的话，会再开一章详细了解re,xapth的使用规则。
来源网络，侵权联系删除
微软IE浏览器曝零日漏洞：一个老文件，可致系统文件遭窃3IT之家4月13日消息据ZDNet报道，安全研究人员发布了一份Internet Explorer（IE浏览器）零日漏洞的详细信息和概念验证代码。通过这一漏洞，黑客可以窃取Windows系统中的文件。
这一漏洞可以在用户打开.mht文件时发动攻击。MHT即MHTML Web Archive ，是IE浏览器默认使用的保存网页的方式。
这一方式主要对和IE浏览器相关，因为较新型的浏览器已经不再以MHT格式保存网页，而是使用HTML格式，不过它们仍然支持处理MHT文件。
在Windows上， MHT文件在IE浏览器中是默认自动设置为打开的，同时IE也是MHT文件的默认打开程序，黑客要利用此漏洞会非常简单。他们只要通过电子邮件、即时消息等方式分发MHT文件即可。
安全研究员John Page称，这一漏洞可能“导致本地文件暴露” ，攻击者也可以远程侦察“安装在本地的程序版本信息” 。他表示，这一页面还可以自动化执行。
微软于3月27日对此问题发布了公告，并于4月10日发给研究人员的消息中称“考虑在未来的产品或服务中对此进行修复” 。微软也表示，不应轻视这个漏洞，已有网络犯罪团体在过去几年中，利用MHT文件进行网络钓鱼和恶意软件分发。