首先下载:antiword点击此单词,即可进行下载
http://www.winfield.demon.nl/linux/antiword-0.37.tar.gz
tar -zxvf antiword-0.37.tar.gz
#对antiword进行解压,得到antiword文件夹
进入antiword文件夹:
cd antiword-0.37/
运行make命令,进行等待
make
运行make install命令,进行等待
make install
- 安装完后,主目录会出现bin文件夹,用命令行进入。使用pwd查看该目录的路径。
- 使用su,输入密码,然后设置环境变量
PATH=$PATH:your's bin path(输入上面pwd出现的路径)
- 在echo $PATH查看PATH是否成功导入。成功导入后,我们就可以在任何的shell和路径使用antiword了。
接下来就可以使用antiword对doc文件进行读取
import subprocess
word = "1.doc"
output = subprocess.check_output(["antiword", word])
print(output)
还可以通过命令行使用antiword命令对doc文件直接进行读取:
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210507085647991.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2t6X2phdmE=,size_16,color_FFFFFF,t_70
可能出现的问题:
因为我是在实验室服务器上运行的这个代码,实验室服务器系统是:Ubuntu,上面有python2.7 和python3.7两个版本,要读取的文件是【中文名.doc】
当我使用py2.7的时候,读取出的文件名是unicode格式,文件内容读取出的结果是bytes格式可以使用decode(‘utf-8’)进行格式转换;
当我的使用py3.7的时候,读取出的文件名是正常格式汉字,但是读取出的文件内容是bytes格式。
这个时候就面临两个问题:
1、如何将unicode编码的汉字转换成正常utf-8格式显示的汉字?(使用的py2.+)
2、如何将bytes格式的汉字转换成正常的utf-8格式显示的汉字?(使用的py3.+)
对于第二个问题的解决方案如下所示:
# -*- coding:utf-8 -*-
# 运行时环境要求:python3.+
import os
import subprocess
path="金融法律法规_doc"
fl=os.listdir(path)
for fn in fl:
word=os.path.join(path,fn)
output = subprocess.check_output(["antiword", word])
print(output.decode('utf-8'))
读取效果如下图所示:
核心代码:对字符串进行utf-8格式解码
output.decode('utf-8')
【注意】
虽然antiword可以读取doc文件,但是也只是部分文件,对于一些doc文件还是没办法读取,哭唧唧。。。