Текст любой ценой: Miette

[siasia]

Непонятно только почему импортируется одни класс, а используется другой.

[Rembish]

Прошу меня извинить, задумался, видать, когда набирал тест примера.

[bo883]

Попробуем, по тестю.

[lashtal]

из ридми — «small sweat thing» — это маленькая потная хрень

[Masterkey]

Пусть так и будет! Мы ж MS продукты парсим ;)

[Rembish]

Вот я описался-то :) Спасибо, что обратили внимание.

[neithere]

Эм… а почему у вас по-французски написано «мьет», а по-русски «митти»?

Кстати, для выдирания чистого текста из майкросвалки отлично годится Antiword.

[Rembish]

Простите меня за мой французский :)

[SolarSoul]

А «новые» форматы — docx и компания?
Тем более что спецификация открыта… Но, тем не менее, я так и не нашёл нормальной библиотеки для генерации, а текст приходилось вручную через lxml выдирать.

[Rembish]

Посмотрите мою старую статью. А в целом парсинг зазипованного xml совсем не сложная задача, поэтому её решение если и будет на python'е, так разве что когда-нибудь потом.

[SolarSoul]

Я знаю.) для этого в принципе достаточно базовых знаний XML'a и lxml, тем не менее, для серьёзных решений этого мало — было бы классно иметь единую библиотеку для парсинга/генерации. По всем используемым «офисным» форматам.

[katremer]

Так а на питоне разве нет ещё парсера OLE-документов, портированного с перла? На котором пхпшный Spreadsheet_Excel_Reader построен.

[Rembish]

Вполне возможно, что я что-то проглядел. В целом мне требовался определённый способ чтения структуры OLE-хранилища, который я хотел бы «протащить» через все остальные надстройки, будь то doc, ppt или xls.

[katremer]

В пхп это pear.php.net/package/OLE

Т.к. это порт перлового первоисточника, то, в общем, вероятно, что и на питоне не стали делать то же самое заново.

[Rembish]

Уважаемый, Вы видели этот порт? Он читает данные во внутренний буфер, т.е. будет загинаться на больших файлах. Мой вариант читает данные прямо из файла «на лету», у него нет проблемы нехватки памяти. Это не порт и не велосипед — это так, как надо было делать изначально.

[katremer]

Т.е. когда вы на пхп это сами писали, я удивился, но на питоне это уже дважды велосипед :)

[Rembish]

На PHP был велосипед — не спорю. Да впрочем после Word'а, любая реализация формата — уже велосипед.