用python读取.doc文件

我得到了一份工作申请的测试，我的任务是阅读一些.doc文件。有人知道图书馆可以这样做吗？我从一个原始python代码开始：

f = open('test.doc', 'r')
f.read()

但这不会返回一个友好字符串，我需要将其转换为utf-8

编辑：我只想从该文件中获取文本

您可以使用库从Microsoft Word文档中读取文本。这是对库的改进，因为它可以从链接、页眉和页脚中提取文本。它甚至可以提取图像

您可以通过运行以下命令进行安装：

pip install docx2txt

让我们下载并阅读第一份Microsoft文档：

以下是终端输出上述代码的屏幕截图：

编辑：

这不适用于.doc文件。我保留这个答案的唯一原因是，似乎有人认为它对.docx文件有用。

可以使用这个库。 它同时处理“doc”和“docx”

您甚至可以使用“antiword”（sudo-apt-get-install-antiword），然后将doc-to-first转换为docx，然后通读

最终，后端的textract使用的是antiword。

先决条件：

安装antiword:

sudo apt get安装antiword

安装docx:

pip安装docx

from subprocess import Popen, PIPE

from docx import opendocx, getdocumenttext
from cStringIO import StringIO
def document_to_text(filename, file_path):
    cmd = ['antiword', file_path]
    p = Popen(cmd, stdout=PIPE)
    stdout, stderr = p.communicate()
    return stdout.decode('ascii', 'ignore')

print document_to_text('your_file_name','your_file_path')

---

注意–python docx的新版本删除了此函数。确保pip安装docx，而不是新的python docx。同样，我在reading.docx上找到了很多信息，但在.doc上找到的信息要少得多；无论如何，我还是用下面的方法读了这篇文章：

import win32com.client

word = win32com.client.Dispatch("Word.Application")
word.visible = False
wb = word.Documents.Open("myfile.doc")
doc = word.ActiveDocument
print(doc.Range().Text)

---

我同意希瓦姆的回答，除了windows不存在textract。 并且，由于某种原因，antiword也无法读取“.doc”文件，并给出了一个错误：

'filename.doc' is not a word document. # This happens when the file wasn't generated via MS Office. Eg: Web-pages may be stored in .doc format offline.

因此，我有以下方法来提取文本：

from bs4 import BeautifulSoup as bs
soup = bs(open(filename).read())
[s.extract() for s in soup(['style', 'script'])]
tmpText = soup.get_text()
text = "".join("".join(tmpText.split('\t')).split('\n')).encode('utf-8').strip()
print text

此脚本可用于大多数类型的文件。

---

玩得开心

来自Shivam Kotwalia的答案非常有效。但是，对象是作为字节导入的。有时，您可能需要它作为字符串来执行REGEX或类似的操作

我推荐以下代码（Shivam Kotwalia回答中的两行）：

---

---

最后一行将对象文本转换为字符串。

不幸的是，只有.docx文件由docx2txt读取，我只有.doc文件。问题是关于读取.doc文件。这只适用于.docx@billal begueradjyour是对的，它不适用于.doc文件。我保留这个答案的唯一原因是似乎有人认为它对.docx文件有用@Harishmashettythys没有提供问题的答案，只是不是那种格式。@h22谢谢，但是有一些评论可以追溯到1年前，我通过编辑postAntiword来回应他们，它似乎在windows-64位上不起作用，你知道吗？@bones.felipe Yaa！Antiword是一个基于Linux的命令行工具。如果您使用的是Windows 10的周年更新，建议您在Windows[1]上使用Ubuntu上的bash，并在Windows上愉快地使用Unix命令！[1] 我来晚了，但安提奥德也来了。还有，但它有DOS版本，不支持长文件名。@yunus-我可能错了，但请在当前支持的部分中查找“doc”，是的，它支持，但。请看一看问题（github本身）。另外，它无法处理早于2003年格式的文档文件（如前一条注释所述），请遵循此处给出的安装说明。在导入模块之前，不要忘记执行“pip安装全文”Upvote。这是唯一一个使用anaconda3的本机解决方案，无需额外安装。纯

.ppt

文件也可以这样做吗？我尝试了

word=win32com.client.Dispatch（“PowerPoint.Application”）

，但出现了一些错误。这是仅限Windows吗？是的，仅限Windows这似乎对我来说效果不太好。它只检索了部分文本，无法读取文件，除非它有一个非常简单的文件路径（例如，文件路径中的破折号似乎会导致问题）。要使此解决方案工作，安装的Word必须能够打开文档。默认情况下，word的新版本不会打开旧文档文件。为了让Word打开它们，请在Word中执行以下操作：

文件

->

选项

->

信任中心

->

信任中心选项

->

文件块设置

，然后取消选中要打开的文件类型。由于未知的文本编码，此操作在我的情况下不起作用。我也用chardet

chardet

尝试了各种方法，但都没有用。请参考此

import win32com.client

word = win32com.client.Dispatch("Word.Application")
word.visible = False
wb = word.Documents.Open("myfile.doc")
doc = word.ActiveDocument
print(doc.Range().Text)

'filename.doc' is not a word document. # This happens when the file wasn't generated via MS Office. Eg: Web-pages may be stored in .doc format offline.

from bs4 import BeautifulSoup as bs
soup = bs(open(filename).read())
[s.extract() for s in soup(['style', 'script'])]
tmpText = soup.get_text()
text = "".join("".join(tmpText.split('\t')).split('\n')).encode('utf-8').strip()
print text

import textract

text = textract.process("path/to/file.extension")
text = text.decode("utf-8")