如何在Python中检索office文件的作者？

Question

标题解释了问题，有 doc 和 docs 文件，我想检索它们的作者信息，以便我可以重组我的文件。

os.stat 仅返回大小和日期时间以及真实文件相关信息。
open(filename, 'rb').read(200) 返回许多我无法解析的字符。

有一个名为 xlrd 的模块，用于读取 xlsx 文件。然而，这仍然不允许我阅读 doc 或 docx 文件。我知道新的 Office 文件在非 msoffice 程序上不容易读取，因此如果不可能，从旧的 Office 文件中收集信息就足够了。

Answer 1

由于 docx 文件只是压缩的 XML，因此您只需解压缩 docx 文件，然后就可以从 XML 文件中提取作者信息。不太确定它会存储在哪里，只是简单地环顾一下它，我怀疑它存储为 docProps/core.xml 中的 dc:creator 。

以下是打开 docx 文件并检索创建者的方法：

import zipfile, lxml.etree

# open zipfile
zf = zipfile.ZipFile('my_doc.docx')
# use lxml to parse the xml file we are interested in
doc = lxml.etree.fromstring(zf.read('docProps/core.xml'))
# retrieve creator
ns={'dc': 'http://purl.org/dc/elements/1.1/'}
creator = doc.xpath('//dc:creator', namespaces=ns)[0].text

Answer 2

您可以使用 COM 互操作来访问 Word 对象模型。此链接讨论了该技术： http ://www.blog.pythonlibrary.org/2010/07/16/python-and-microsoft-office-using-pywin32/

使用任何 Office 对象时的秘密是知道要访问哪个项目来自大量的方法和属性。在这种情况下，每个文档都有一个BuiltInDocumentProperties 列表。感兴趣的属性是“最后一个作者”。

打开文档后，您将通过诸如 word.ActiveDocument.BuiltInDocumentProperties("Last Author") 之类的内容访问作者

Answer 3

使用 docx 库怎么样？您可以获取有关该文件的更多信息，而不仅仅是作者。

#sudo pip install python-docx
#sudo pip2 install python-docx
#sudo pip3 install python-docx


import docx

file_name = 'file_path_name.doxs'

document = docx.Document(docx = file_name)
core_properties = document.core_properties
print(core_properties.author)
print(core_properties.created)
print(core_properties.last_modified_by)
print(core_properties.last_printed)
print(core_properties.modified)
print(core_properties.revision)
print(core_properties.title)
print(core_properties.category)
print(core_properties.comments)
print(core_properties.identifier)
print(core_properties.keywords)
print(core_properties.language)
print(core_properties.subject)
print(core_properties.version)
print(core_properties.keywords)
print(core_properties.content_status)

在此处查找有关 docx 库和 github 帐户的更多信息位于此处

Answer 4

对于旧的 Office 文档（.doc、.xls），您可以使用 hachoir-metadata。

它不能很好地适应新的文件格式：例如，它可以解析 .xlsx 文件，但不会为您提供作者姓名。

Answer 5

较新的 Office 格式只是包含 xml 文件的 zip 容器。您可以在这里查看 https： //github.com/profHajal/Microsoft-Office-Documents-Metadata-with-Python/blob/main/mso_md.py 是一种非常简单直接的方法。

列出的代码可以轻松扩展为 OpenOffice 格式。

伪代码：

z = zipfile.ZipFile(filename, 'r')
data = _zipfile.read('docProps/core.xml')
    or
data = _zipfile.read('meta.xml')
doc = xml.dom.minidom.parseString(data)
tag = "data you're interested in"
metadata_string = doc.getElementsByTagName(tag)[0].childNodes[0].data

---

要在其中搜索元数据的文件：

• docProps/core.xml（对于 MS Office 文件）
• meta.xml（对于 OpenOffice 文件）

---

您可以搜索的标签的非详尽列表：

来自都柏林核心命名空间规则：dc

• 标题：dc:title
• 创建者（最新修改）：dc:creator
• 描述：dc ：描述
• 主题： dc:subject
• 日期（最后修改）：dc:date
• 语言：???

根据 ODF 规范：meta

• 生成器（创建软件应用程序）：meta:generator
• 关键字：meta:keyword
• 初始创建者：???
• 创建日期和时间：meta:creation-date
• 修改日期和时间：???
• 打印日期和时间：???
• 文档模板：meta:template（属性中的数据）
• 文档统计（字数、页数等）：meta:document-statistic（属性中的数据）

MS Office具体：

• 创建日期和时间：dcterms:created
• 日期（上次修改）：dcterms:modified
• 最近修改的创建者：cp:lastModifiedBy