У меня есть веб-проект, где я должен импортировать текст и изображения из предоставленного пользователем документа, а одним из возможных форматов является Microsoft Office 2007. Также необходимо создавать документы в этом формате.
Сервер запускает CentOS 5.2 и имеет установленный PHP / Perl / Python. Я могу выполнить локальные двоичные файлы и сценарии оболочки, если нужно. Мы используем Apache 2.2, но будем переключаться на Nginx, когда он появится в прямом эфире.
Какие у меня варианты? У кого-нибудь был опыт?
Форматы файлов Office 2007 открыты и хорошо документированы . Грубо говоря, все новые форматы файлов, заканчивающиеся на «x», представляют собой сжатые XML-документы с zip-сжатием. Например:
Чтобы открыть XML-файл Word 2007, создайте временную папку для хранения файла и его частей.
Сохраните документ Word 2007, содержащий текст, изображения и другие элементы, в виде файла .docx.
Добавьте расширение .zip в конец имени файла.
Дважды щелкните файл. Он откроется в приложении ZIP. Вы можете увидеть части, которые содержат файл.
Извлеките части в папку, созданную ранее.
Другие форматы файлов примерно одинаковы. Я не знаю каких-либо библиотек с открытым исходным кодом для взаимодействия с ними пока, но в зависимости от ваших точных требований, не слишком сложно читать и писать простые документы. Конечно, это должно быть намного проще, чем с более старыми форматами.
Если вам нужно прочитать старые форматы, OpenOffice имеет API и может читать и писать Office 2003 и более старые документы с большим или меньшим успехом.
Модуль python docx может создавать отформатированные файлы Microsoft Office docx из чистого Python. Из коробки это заголовки, абзацы, таблицы и маркеры, но модуль makeelement () может быть расширен, чтобы делать произвольные элементы, такие как изображения.
from docx import * document = newdocument() # This location is where most document content lives docbody = document.xpath('/w:document/w:body',namespaces=wordnamespaces)[0] # Append two headings docbody.append(heading('Heading',1) ) docbody.append(heading('Subheading',2)) docbody.append(paragraph('Some text') Я успешно использовал SDK OpenXML Format в проекте для изменения электронной таблицы Excel с помощью кода. Для этого потребуется .NET, и я не уверен, насколько это будет работать в Mono.
Вероятно, вы можете проверить код для Sphider . Они документируют и pdf-файлы, поэтому я уверен, что они могут их прочитать. Возможно также привести вас в правильном направлении для других форматов Office.