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？
望各位有识之士不吝赐教，不胜感激。
分享
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
分享
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
