文件解析器，解析包括.doc/.docx/pdf文件

doc文件

Windows 平台

直接处理 .doc 对表格处理不友好，如有合并单元格时会报错而无法读取，所以利用win32com来将其转换为.docx来处理。

import os


def doc2docx(path):
    w = win32com.client.Dispatch('Word.Application')
    w.Visible = 0
    w.DisplayAlerts = 0
    doc = w.Documents.Open(path)
    newpath = os.path.splitext(path)[0] + '.docx'
    doc.SaveAs(newpath, 12, False, "", True, "", False, False, False, False)
    doc.Close()
    w.Quit()
    os.remove(path)
    return newpath

Linux

通用的方案是利用textract来提取内容，其backend是 antiword，利用antiword 也可以转为.docx，所以也是选择将.doc转为.docx来处理。

antiword path-to-doc > path-to-docx

docx文件

.docx文件的解析使用python-docx,他可以帮助我们提取段落、表格、附件等内容。

pdf文件

pdf文件解析使用pdfplumber,他底层使用pdfminer.six, 在此之上，增加了对表格内容的组织，所以除了读取内容外，针对表格还可以返回其结构化结果。