之前在学习linux时尝试着将电脑系统装为双系统。而在Linux环境下像微软软件的替代品也有不少（当然特指ubuntu）而在学校机房就没有这么幸运了，Kali Linux就是一个典型的例子，但是文档的通行格式却不是docx或者doc，而是PDF（ Portable Document Format，便携式文档格式 ），PDF可以让用户在不同的系统上用同样的方式查看文本文档和图片。
PDF
目前在python2.x里有不少的PDF解析库，还没有迁移到python3.x版本，但是由于PDF本身不复杂，而且又是开源的文档格式，所以有一些给力的Python库可以读取PDF文件，而且支持Python3.x版本：即PDFMiner3K，他十分灵活可以通过命令行使用，也可以整合到代码当中，也可以处理不同语言的编码，而且对于网络文件的处理也是十分给力。（继上次没又找到在线的txt资源后又没有找到pdf。。毕竟html相较于pdf太好用了。）
安装--下载地址：https://pypi.python.org/pypi/pdfminer3k（我就继续用pychrom偷懒了/这里我用的是2k+py2.7。）
from urllib import urlopen
from pdfminer.pdfinterp import PDFResourceManager, process_pdf
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
from io import open
def readPDF(pdfFile):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, laparams=laparams)
process_pdf(rsrcmgr, device, pdfFile)
device.close()
content = retstr.getvalue()
retstr.close()
return content
pdfFile = urlopen("http://localhost:8080/test.pdf")
outputString = readPDF(pdfFile)
print(outputString)
pdfFile.close()
输出有点尴尬//因为有好几张小图。。然后就不太乐观就不放了
微软Word和.docx
作为假粉丝和破解版用户，word系列可以说是用的最舒心的文档处理软件，无广告功能强大，表格文件图片随便衔接，各种统计和格式化功能让你用的很舒心（不像某wps，天天一堆广告还卡的要死）在某些网站上很流行word文档，其实在我心目而言，若是资源上纲上线，html无疑是最好的。在08（具体不知道了）以前，微软使用.doc格式，这种二进制格式很难读取，为了兼容和跟上时代，微软推出了类xml格式标准的.docx。虽然在Python当中有一个python-docx库（http://python-docx.readthedocs.org/en/ latest/）但是坦言论：一个只能读取文档大小和文件标题的库对于实际没有什么用处，若要读取正文内容，问题就又回归到了XML解析。其实稍微注意一下就会发先一个问题：word文档完全可以另存为xml，事实正式如此：
from zipfile import ZipFile
from urllib.request import urlopen
from io import BytesIO
wordFile = urlopen("http://localhost:8080/kka.docx").read()
wordFile = BytesIO(wordFile)
document = ZipFile(wordFile)
xml_content = document.read('word/document.xml')
print(xml_content.decode('utf-8'))
这样我们暂且得到了xml。所以接下来要做的事情就是解析XML：
wordObj = BeautifulSoup(xml_content.decode('utf-8'))
textStrings = wordObj.findAll()
for textElem in textStrings:
print(textElem.text)
虽然上面的写法写出来可能会有点格式不对，但是依旧可以输出当中的所有文字，如果要详细解析那就得进一步观察：标签存在<w:val>或者<w:p>等，所以可以利用BeautifulSoup的导航功能来解决：
textStrings = wordObj.findAll("w:t")
for textElem in textStrings:
closeTag = ""
try:
style = textElem.parent.previousSibling.find("w:pstyle")
if style is not None and style["w:val"] == "Title":
print("<h1>")
closeTag = "</h1>"
except AttributeError:
pass
print(textElem.text)
print(closeTag)
当然这部分功能仅限于docx了。。其他的有些好像不可以。但是这个解析xml稳的（其实要真解析还需更详细）