Python3.7 Linux docx和doc文档转码文本

Python3.7 转码文本

Docx 转文本

安装

pip3 install python-docx

#!/usr/bin/python3.7
def doc2text():
	doc = Document( filename)
	for para in doc.paragraphs:
		rows.append( para.text)
	 return "\n".join( rows)

antiword工具,Doc 转文本

官方站：http://www.winfield.demon.nl/
下载地址：http://www.winfield.demon.nl/linux/antiword-0.37.tar.gz

#下载完，解压，进入目录，执行：
wget http://www.winfield.demon.nl/linux/antiword-0.37.tar.gz
tar -zxvf antiword-0.37.tar.gz
cd antiword-0.37
make && make install

即可完成安装。
安装时，自动安装到了 /root/ 目录下，只有 root 才可执行该命令，我们需要改一下路径，COPY到 /usr 中方便调用。

cp /root/bin/antiword /usr/local/bin/
mkdir /usr/share/antiword
cp -R /root/.antiword/* /usr/share/antiword/
chmod 777 /usr/local/bin/*antiword
chmod 755 /usr/share/antiword/*

以上操作以后即可在任意用户调用 antiword命令。

antiword的使用：

antiword -t 文件名.doc		文本输出(默认)
antiword -f 文件名.doc       格式化文本输出
antiword -m utf-8 文件名.doc  

注意：antiword的只能提取doc文件的文本，而且部分文件提取也会失败，所以需要捕获异常，进行下一步的处理。