m0_57965808 2022-03-03 15:38 采纳率: 90.9%
浏览 25
已结题

一个文库的文本内容可以有几种形式？

最近在尝试爬取某个小文库，遇到一些问题，特来请教；
1 一般来说文库的文本有几种形式呢？据我目前所知的只有有word型式，PPT。请问还有其他格式么？例如PDF格式？
2 在文库源码里有没有说明本文档是什么格式的的标签呢？如果没有的话，判断该怎么爬取这个页面的时候就只能用if else 的排除法了么？或者将爬取失败的页面保存起来，最后单独处理？
3 对于那种同时含有文字和表格或者图片的文档（如下图），如果想要达到一个正常的阅读标准话该如何处理这个情况呢？

img

望各位有识之士不吝赐教，不胜感激。

  • 写回答

1条回答 默认 最新

  • 一键难忘 全栈领域优质创作者 2022-03-04 09:37
    关注

    MS Office文档: doc,docx ppt,pptx xls,xlsx vsd pot pps rtf
    WPS office系列: wps et dps PDF: pdf
    纯文本: txt EPUB: epub

    本回答被题主选为最佳回答 , 对您是否有帮助呢?
    评论

报告相同问题？

问题事件

  • 系统已结题 3月16日
  • 已采纳回答 3月8日
  • 修改了问题 3月3日
  • 创建了问题 3月3日

悬赏问题

  • ¥15 js调用html页面需要隐藏某个按钮
  • ¥15 ads仿真结果在圆图上是怎么读数的
  • ¥20 Cotex M3的调试和程序执行方式是什么样的？
  • ¥15 一道python难题3
  • ¥15 用matlab 设计一个不动点迭代法求解非线性方程组的代码
  • ¥15 牛顿斯科特系数表表示
  • ¥15 arduino 步进电机
  • ¥20 程序进入HardFault_Handler
  • ¥15 oracle集群安装出bug
  • ¥15 关于#python#的问题：自动化测试