Копирование химических формул из .docx

#python #docx

Как с помощью библиотеки python-docx извлечь химическую формулу из текста ячейки
таблицы и перенести ее в другую таблицу?

Если копировать, как текст, то нет разницы между цифрой в верхнем, нижнем или обычном
регистре

Пример таблицы

    

Ответы

Ответ 1

В версии 0.8.6 python-docx этот функционал отсутствует, даже нужного пространства
имен нет и нигде нет упоминания нужных тегов, то есть нет ни единого упоминания возможности
работы с математическими элементами. Формулы из Word, например, в сыром виде выглядят
как-то так. Исходная формула: ex=sin(x)

docx:


    
        
            
                
                    
                        
                        
                    
                
            
            
                
                    
                    
                    
                    e
                
                
                
                
                    
                    
                x
                
            
            
                
                
                =isin(x)
            
        



То есть вы можете попробовать спуститься в самый адок и обращаться с docx, как с
набором XML документов. И вам необходимо найти в параграфе, в ячейке, где хотите нужный
тег и потом вставить также в новый параграф, ячейку, куда хотите. Вот такой вот примерчик
приведу. Он копирует формулу из одного документа, в пустой другой документ. В исходном
документе нет ничего, кроме этой формулы. Однако, я бы уверенно себя не чувствовал
на этом пути, даже если простой пример и работает. Также вместо тупого итерирования
вы можете отыскать нужный элемент с тегом  в пространстве {"m": xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math"}.
Итак:

import docx


d = docx.Document("formula_test.docx")

new_doc = docx.Document()
new_para = new_doc.add_paragraph()
new_para_elem = new_para._element

para_with_formula = d.paragraphs[0]

# Это уже объект типа CT_P, родителем которого является lxml.Element
elem = para_with_formula._element
# Пространство имен `m` xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math"
tmp_ns = {"m": "http://schemas.openxmlformats.org/officeDocument/2006/math"}

math_tag_with_namespace = "{" + tmp_ns["m"] + "}oMathPara"

for i in elem.getiterator():
    if i.tag == math_tag_with_namespace:
        print("OH! A formula!")
        new_para_elem.append(i)

new_doc.save("NEW_DOC.docx")


Как результат - в новом документе исходная формула.

Открытие doc, docx, odf, xlsx файла в терминале linux

#кодировка #doc #docx #терминал

Вопрос заключается в следующем: "Существует ли такие программы, позволяющие открыть
doc, docx, odf файлы в терминале linux?".
Понимаю, что теоретически это не возможно, в силу отсутствие возможности программной
смены шрифта в терминале. Но! Что если, мне нужно, к примеру, тупо прочитать текст
из файла, а под рукой нету десктопной машины? Или можно такой вариант: программа преобразовывает
doc, docx, odf файл в tex-файл.
P.S.: я так полагаю, что этот вариант открытия подобных файлов будет еще и экономнее
десктопного относительно памяти.

С xlsx и подобными этому файлами тоже такой же вопрос встревает. Папа как-то рассказывал
просто, что когда еще не было десктопных осей и граф оболочек, они использовали вместо
doc-ов какую-то dos-овскую консольную прогу, и какие-то таблицы вместо excel-ей.
Буду благодарен за ответ.

UPD: Вопрос закрыт
    

Ответы

Ответ 1

Когда не было графических оболочек, тогда и и форматы были другие. Чем-то отчасти
похожие на современный markdown

Файлы же конечно можно прочитать. Но именно прочитать - предварительно конвертировав
в текстовый формат. Так Excel файлы можно перевести в CSV - а дальше смотри хоть в
less, хоть awk или sed дальше преобразуй.

Файл Word конвертируются в обычный TXT - только текст и никакого форматирования.
Можно и в RTF - тут оформление сохранится, но чтобы их читать нужен определенный навык :)

А с практической точки зрения задача довольно актуальная. Постоянно приходится решать
задачи типа "У нас есть прайс-лист в Excel - мы хотим его автоматически загружать на
сайта в базу данных". Соответственно помимо утилит консоли есть и куча библиотек под
разные языки программирования - позволяющих открыть, прочитать, изменить и сохранить
файлы этих форматов без взякого GUI.


Ответ 2

для просмотра doc можно использовать catdoc, antiword и множество аналогичных программ.

для просмотра docx можно использовать, например, docx2txt.

для просмотра odf/odt можно использовать, например, odt2txt.

для просмотра xlsx можно использовать, например, xlsx2csv.



все перечисленные программы имеются в одноимённых пакетах в репозитории дистрибутива
debian операционной системы gnu/linux. наверняка они есть в уже собранном виде и в
репозиториях других популярных дистрибутивов. в крайнем случае можно скомпилировать
— п.о. свободное, исходники общедоступны.


Ответ 3

Вопрос уже давно закрыт, но я сейчас нарыл дополнительное решение:
Можно написать свое приложение, которое читает excel файл и выводит его содержимое
в терминал с помощью java-библиотеки apache-poi.

Бесплатная библиотека для работы с *.DOCX

#c_sharp #net #поиск_библиотек #docx

Посоветуйте бесплатную и хорошо документированную библиотеку для работы с *.DOCX.

Знаю, что есть OpenXML, но что есть в природе удобного помимо него?

Например, для Excel есть удобная EpPlus.
    

Ответы

Ответ 1

DocX

Git

Exp:

DocX doc= DocX.Create(filePath);
Paragraph p1 = template.InsertParagraph();
p1.AppendLine("This line contains a ").Append("bold").Bold().Append(" word.");
p1.AppendLine("Here is example with question mark?");
p1.AppendLine();
p1.AppendLine("Can you help me figure it out?");
p1.AppendLine();


Очень проста в использовании.


Ответ 2

Есть такая open-source С++ библиотека DocxFactory для генерации DOCX документов.
Для неё в том числе есть обертка для C#. Прикладываю ссылку на туториал. Судя по документации,
основной функционал работы она поддерживает(сам не пробовал использовать на проектах).
В документации имеются куски примеров по работе с DOCX.  Также ссылка на github-проект. 

Если требуется, можно попробовать создать какой-то экзампел.


Ответ 3

Microsoft.Office.Interop.Word

Как известно, Microsoft Word является COM-объектом, т.е. спроектирован таким образом,
что позволяет другим программам подключаться к себе и управлять им. Программно можно
проделать практически все операции, которые мы делаем вручную в Word: создать новый
документ, внести в него правки, сохранить его и т.п. Но для ее работы требуется лицензия
MS Office на каждом клиентском компьютере. Кроме того, MS Office загружается в фоновом
режиме, вследствие чего занимает определенное количество оперативной памяти и загружает
большое количество файлов и DLL. Приложения MS Office были разработаны как приложения
для пользовательского интерфейса, и поэтому Microsoft.Office.Interop.Word работает
очень медленно. Microsoft не рекомендует использовать Office Automation (или любой
Office Interop) на сервере.

DocumentFormat.OpenXml

Open XML SDK предоставляет инструменты для работы с документами Office Word, Excel
и PowerPoint. Он поддерживает такие сценарии, как заполнение содержимого в файлах Word
из источника данных XML, разделение (измельчение) файла Word или PowerPoint на несколько
файлов и объединение нескольких файлов Word, поиск и замена контента с использованием
регулярных выражений. Но при присвоении некоторого стиля, в свойствах предоставляется
только идентификатор предоставленого стиля, а сам стиль описывается отдельно в файле
style.xml. В результате необходимости регулярного сопоставления ID стиля с контейнером
style.xml для получения характеристик стилей абзацев, возрастает сложность программного
использования библиотеки. link

Spire.Doc

Spire.Doc для .NET - это полностью независимая библиотека классов .NET Word, специально
созданная для разработчиков, которая позволяет быстро генерировать, открывать, писать,
редактировать и сохранять документы Word не требует установки в систему каждого пользователя
MS Office, то есть возможность полностью независимой от него работы; объемная документация
с примерами и пояснениями. Работать с библиотекой достатосно удобно. Однако полная
версия Spire.Doc не является бесплатной, а бесплатная версия, FreeSpire.Doc, имеет
определенные ограничения (например обработка не более 500 абзацев и 25 таблиц). link

Копирование химических формул из .docx

Как с помощью библиотеки python-docx извлечь химическую формулу из текста ячейки таблицы и перенести ее в другую таблицу?
Если копировать, как текст, то нет разницы между цифрой в верхнем, нижнем или обычном регистре
Пример таблицы

Ответ

В версии 0.8.6 python-docx этот функционал отсутствует, даже нужного пространства имен нет и нигде нет упоминания нужных тегов, то есть нет ни единого упоминания возможности работы с математическими элементами. Формулы из Word, например, в сыром виде выглядят как-то так. Исходная формула: ex=sin(x)
docx:
e x =isin(x)
То есть вы можете попробовать спуститься в самый адок и обращаться с docx, как с набором XML документов. И вам необходимо найти в параграфе, в ячейке, где хотите нужный тег и потом вставить также в новый параграф, ячейку, куда хотите. Вот такой вот примерчик приведу. Он копирует формулу из одного документа, в пустой другой документ. В исходном документе нет ничего, кроме этой формулы. Однако, я бы уверенно себя не чувствовал на этом пути, даже если простой пример и работает. Также вместо тупого итерирования вы можете отыскать нужный элемент с тегом в пространстве {"m": xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math"}. Итак:
import docx
d = docx.Document("formula_test.docx")
new_doc = docx.Document() new_para = new_doc.add_paragraph() new_para_elem = new_para._element
para_with_formula = d.paragraphs[0]
# Это уже объект типа CT_P, родителем которого является lxml.Element elem = para_with_formula._element # Пространство имен `m` xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math" tmp_ns = {"m": "http://schemas.openxmlformats.org/officeDocument/2006/math"}
math_tag_with_namespace = "{" + tmp_ns["m"] + "}oMathPara"
for i in elem.getiterator(): if i.tag == math_tag_with_namespace: print("OH! A formula!") new_para_elem.append(i)
new_doc.save("NEW_DOC.docx")
Как результат - в новом документе исходная формула.

Открытие doc, docx, odf, xlsx файла в терминале linux

Вопрос заключается в следующем: "Существует ли такие программы, позволяющие открыть doc, docx, odf файлы в терминале linux?". Понимаю, что теоретически это не возможно, в силу отсутствие возможности программной смены шрифта в терминале. Но! Что если, мне нужно, к примеру, тупо прочитать текст из файла, а под рукой нету десктопной машины? Или можно такой вариант: программа преобразовывает doc, docx, odf файл в tex-файл. P.S.: я так полагаю, что этот вариант открытия подобных файлов будет еще и экономнее десктопного относительно памяти.
С xlsx и подобными этому файлами тоже такой же вопрос встревает. Папа как-то рассказывал просто, что когда еще не было десктопных осей и граф оболочек, они использовали вместо doc-ов какую-то dos-овскую консольную прогу, и какие-то таблицы вместо excel-ей. Буду благодарен за ответ.
UPD: Вопрос закрыт

Ответ

Когда не было графических оболочек, тогда и и форматы были другие. Чем-то отчасти похожие на современный markdown
Файлы же конечно можно прочитать. Но именно прочитать - предварительно конвертировав в текстовый формат. Так Excel файлы можно перевести в CSV - а дальше смотри хоть в less, хоть awk или sed дальше преобразуй.
Файл Word конвертируются в обычный TXT - только текст и никакого форматирования. Можно и в RTF - тут оформление сохранится, но чтобы их читать нужен определенный навык :)
А с практической точки зрения задача довольно актуальная. Постоянно приходится решать задачи типа "У нас есть прайс-лист в Excel - мы хотим его автоматически загружать на сайта в базу данных". Соответственно помимо утилит консоли есть и куча библиотек под разные языки программирования - позволяющих открыть, прочитать, изменить и сохранить файлы этих форматов без взякого GUI.