Python 读取docx文件时获取错误的特殊字符

我试图使用以下代码从.docx获取文本，但问题是文本包含特殊字符（例如“ç”或“á”），并且代码没有正确读取文件

try:
    from xml.etree.cElementTree import XML
except ImportError:
    from xml.etree.ElementTree import XML
import zipfile


"""
Module that extract text from MS XML Word document (.docx).
(Inspired by python-docx <https://github.com/mikemaccana/python-docx>)
"""

WORD_NAMESPACE = '{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
PARA = WORD_NAMESPACE + 'p'
TEXT = WORD_NAMESPACE + 't'


def get_docx_text(path):
    """
    Take the path of a docx file as argument, return the text in unicode.
    """
    document = zipfile.ZipFile(path)
    xml_content = document.read('word/document.xml')
    document.close()
    tree = XML(xml_content)

    paragraphs = []
    for paragraph in tree.getiterator(PARA):
        texts = [node.text
                 for node in paragraph.getiterator(TEXT)
                 if node.text]
        if texts:
            paragraphs.append(''.join(texts))

    return '\n\n'.join(paragraphs)


if __name__ == '__main__':
    doc = def_get_docx_text('teste.docx')
    print doc.split('\n')

但我得到的是：

01 A titula\xe7\xe3o gen\xe9rica de Administra\xe7\xe3o

您正在打印列表；在Python中，然后使用

repr（）

输出显示容器内容

u'A titula\xe7\xe3o gen\xe9rica de Administra\xe7\xe3o'

是Unicode字符串值的Python字符串文字语法；此格式是为调试目的而设计的，可以直接粘贴到Python解释器中以重新创建原始值，而无需担心编码问题：

>>> line = u'A titula\xe7\xe3o gen\xe9rica de Administra\xe7\xe3o'
>>> line
u'A titula\xe7\xe3o gen\xe9rica de Administra\xe7\xe3o'
>>> print line
A titulação genérica de Administração

改为打印单个字符串：

for line in doc.split('\n'):
    print line

或重新连接字符串，例如使用空格：

print ' '.join(doc.split('\n'))

---

这是打印列表的正确输出。您将获得

u'A titula\xe7\xe3o gen\xe9rica de Administra\xe7\xe3o'

，请注意引号。恐怕错误在于读取docx文件，因为当我打印整个文档变量时，我已经得到了错误的字符@MartinPieter@user3511563：然后显示实际输出。你分享的不是实际产出；

[…]

列表语法丢失，我知道必须有引号和

u''

前缀。@user3511563:您显示的未加引号的内容包含正确的字符。

print ' '.join(doc.split('\n'))