如何計算複雜文檔中的單詞（.rtf，.doc，.odt等）？

Question

我想寫一個Python函數，給定文檔文件的路徑，返回該文檔中的單詞數。這對於.txt文件來說相當容易，而且有一些工具可以讓我一起攻擊幾種更復雜的文檔格式，但我想要一個非常全面的解決方案。

查看OpenOffice.org的py-uno腳本界面和支持的格式列表，將文檔加載到無頭OOo中並調用其字數統計功能似乎是理想選擇。但是，我找不到任何超出基本文檔生成的py-uno教程或示例代碼，甚至我發現的代碼片段已經過時了五年，並且不再有效。

無論是否使用OOo和Uno，如何爲各種格式的文檔獲得可靠的字數？

Answer 1

負載在無頭的OOo 並調用文件的word-count function

PyODConverter是最近（11-2009）腳本使用OOo的轉換多個文件類型。查看腳本，它具有所有OOo支持文檔的基本加載。

這是怎麼開始的OOo作爲一個無頭的服務：

soffice -headless -accept="socket,host=127.0.0.1,port=8100;urp;" -nofirststartwizard

然後你只需要編寫一個小的引導程序是在命令行上調用OOO，運行腳本，然後關閉OOo的。

---

Answer 2

這可能不適合您，但如果是這樣 - 您可以將文檔上傳到Google文檔，然後以.txt格式導出。谷歌通常在轉換方面做得非常好。

你可以在這裏找到相關的API：http://code.google.com/intl/pl/apis/documents/docs/1.0/developers_guide_python.html

看看登錄，上傳和出口部分。