python在windows与linux下读取doc文件

python在windows与linux下读取doc文件

前言
记录一下自己走的弯路，能帮助大家少走一点弯路。读取doc文件流程，基本上都是将doc文件转为docx文件或者pdf文件进行读取。下面主要介绍将doc文件转化为docx文件进行读取

一、python在windows读取doc文件
这个网上很多，主要通过win32com库，将doc文件转为docx，本文主要是提取word文件里面的图片，提取内容也大同小异。下面上代码。

import os
import shutil
import zipfile
from win32com import client
# doc转docx
def doc2docx(doc_name, docx_name):
    try:
        # 首先将doc转换成docx
        word = client.Dispatch("Word.Application")
        doc = word.Documents.Open(doc_name)
        # 使用参数16表示将doc转换成docx
        doc.SaveAs(docx_name, 16)
        doc.Close()
        word.Quit()
    except:
        pass
    '''
    :param path:源文件
    :param zip_path:docx重命名为zip
    :param tmp_path:中转图片文件夹
    :param store_path:最后保存结果的文件夹（需要手动创建）
    :return:
    '''
def word2pic(path, tmp_path, store_path):
    # 将docx文件重命名为zip文件
    #os.rename(path, zip_path)
    # 进行解压
    f = zipfile.ZipFile(path, 'r')
    # 将图片提取并保存
    for file in f.namelist():
        f.extract(file, tmp_path)
    # 释放该zip文件
    f.close()
    # 将docx文件从zip还原为docx
    #os.rename(zip_path, path)
    # 得到缓存文件夹中图片列表
    pic = os.listdir(os.path.join(tmp_path, 'word/media'))
    # 将图片复制到最终的文件夹中
    for i in pic:
        # 根据word的路径生成图片的名称
        shutil.copy(os.path.join(tmp_path + '/word/media', i), os.path.join(store_path, i))
    # 删除缓冲文件夹中的文件，用以存储下一次的文件
    for i in os.listdir(tmp_path):
        # 如果是文件夹则删除
        if os.path.isdir(os.path.join(tmp_path, i)):
            shutil.rmtree(os.path.join(tmp_path, i))

二、Linux下读取doc文件，通过libreoffice将doc文件转为docx文件，安装libreoffice，可以参考一下这个篇[安装libreoffice]

import os
import shutil
import zipfile
import subprocess
 
   # doc转docx
def doc2docx(docPath, docxPath):
    cmd = '/bin/libreoffice6.1 --headless --convert-to docx'.split() + [docPath] + ['--outdir'] + [docxPath]
    p = subprocess.Popen(cmd, stderr=subprocess.PIPE, stdout=subprocess.PIPE)
    p.wait(timeout=30)
    stdout, stderr = p.communicate()
    if stderr:
        raise subprocess.SubprocessError(stderr)
	
    '''
    :param path:源文件
    :param zip_path:docx重命名为zip
    :param tmp_path:中转图片文件夹
    :param store_path:最后保存结果的文件夹（需要手动创建）
    :return:
    '''
def word2pic(down_file,pic_path,file_to_pic):
    tmp_path = '{}{}'.format(pic_path, '/temp')
    # 将docx文件重命名为zip文件
    #os.rename(path, zip_path)
    # 进行解压
    f = zipfile.ZipFile(down_file, 'r')
    # 将图片提取并保存
    for file in f.namelist():
        f.extract(file, tmp_path)
    # 释放该zip文件
    f.close()
    if os.path.isdir(os.path.join(tmp_path, 'word/media')):
        # 得到缓存文件夹中图片列表
        pic = os.listdir(os.path.join(tmp_path, 'word/media'))
        # 将图片复制到最终的文件夹中
        for i in pic:
            # 根据word的路径生成图片的名称
            shutil.copy(os.path.join(tmp_path + '/word/media', i), os.path.join(file_to_pic, i))
        # 删除缓冲文件夹中的文件，用以存储下一次的文件
        for i in os.listdir(tmp_path):
            # 如果是文件夹则删除
            if os.path.isdir(os.path.join(tmp_path, i)):
                shutil.rmtree(os.path.join(tmp_path, i))