【script】python实现多线程将doc、docx转pdf，doc转docx

摘要

本文讲述通过python实现多线程将当前目录下的 .doc文档转.pdf、.docx文档转.pdf，以及.doc文档转.docx（在python中，如需对word文档进行读写，只能读写docx格式的word文档）。
其中涉及到的知识点有如下几点：

1. 通过win32com模块对office文档进行格式转化
2. 多线程的应用及控制

模块说明

1. threading：线程应用模块
2. pythoncom：处理word应用，使其独立运行的api接口模块
3. win32com：office文档处理模块，通过 “pip install pypiwin32” 安装

import os, re
import threading
import pythoncom
from win32com.client import DispatchEx

定义main部分

代码分析

1. 在多线程程序中，因电脑性能不同，需控制线程最大并发数。以下为控制线程最大并发数的代码，用到 threading.Semaphore() 方法

semaphore = threading.Semaphore(12)

2. 定义线程锁。不同线程之间可能在输出面板同时输出，造成输出紊乱，如：
   线程1将输出：
   who am i in thread 1
   i am A
   线程2将输出：
   who am i in thread 2
   i am B
   线程同时运行时标准输出为：
   who am i in thread 1
   i am A
   who am i in thread 2
   i am B
   而线程同时运行时可能输出：
   who am i in thread 1
   who am i in thread 2
   i am B
   i am A
   以下为控制线程独立输出的代码，用到 threading.Lock() 方法

lock = threading.Lock()

3. 遍历指定目录下所有文件，其中 file 为文件名，a 为该文件路径， c 为该文件同一文件夹下的所有文件集

for a, b, c in os.walk(pre):
    for file in c:

4. 判断文件名后缀是否含有 .doc ，是则为 .doc 或者 .docx 文件，否则不处理

if re.search('\.doc', file) != None:

5. threading.Thread(target=, args=) 定义线程，target 参数指定线程运行的方法，args 参数传入运行方法的参数，start() 方法执行线程，DocToDocx和DocToPdf的作用下文中会具体说明

threading.Thread(target=WordConvertToOther.DocToDocx, args=(pre + file,)).start()

main代码

if __name__ == '__main__':
    # 控制线程最大并发数为12
    semaphore = threading.Semaphore(12)
    # 线程锁
    lock = threading.Lock()
    # 当前脚本目录绝对路径
    pre = os.path.realpath('./') + '\\'
    for a, b, c in os.walk(pre):
        for file in c:
            if re.search('\.doc', file) != None:
                # 将doc转存为docx
                threading.Thread(target=WordConvertToOther.DocToDocx, args=(pre + file,)).start()
                # 将doc、docx转存为pdf
                # threading.Thread(target=WordConvertToOther.DocToPdf, args=(pre + file, )).start()

定义doc转docx函数

代码分析

1. 使函数在最大线程限制下运行

with semaphore:

2. 用 pythoncom.CoInitialize() 方法创建套间。pythoncom模块为线程和word对象创建一个套间，令其可以正常关联和执行。多线程运行office应用时需加入此模块方法，否则将出错，非多线程则不需要。之后的 pythoncom.CoUninitialize() 方法则用以释放套间资源

pythoncom.CoInitialize()

3. 通过 DispatchEx(‘Word.Application’) 方法启动office应用程序，相当于在windows下打开office

word = DispatchEx('Word.Application')

4. 通过 word.Documents.Open() 方法启动具体的某个文档文件

doc = word.Documents.Open(docpath)

5. doc.SaveAs() 为将打开的doc存储为docx的主要方法。其中 re.sub 方法将路径中文件名的doc替换为docx，FileFormat 指定保存的文件格式，等于 12 保存为docx、等于 17 保存为pdf

doc.SaveAs(re.sub('.doc$', '.docx', docpath), FileFormat=12)

6. 无论doc文档执行结果如何，都需让office应用程序关闭，否则将会在后台中继续运行，占用系统资源

word.Quit()

函数代码

    def DocToDocx(docpath):
        '''将doc转存为docx'''
        with semaphore:
        	lock.acquire()
            try:
                # CoInitialize初始化,为线程和word对象创建一个套间，令其可以正常关联和执行
                pythoncom.CoInitialize()
                # 用DispatchEx()的方式启动MS Word或与当前已执行的MS Word建立连结
                word = DispatchEx('Word.Application')
                # 打开指定目录下doc文档
                doc = word.Documents.Open(docpath)
                # 将打开的doc文档存储为docx
                doc.SaveAs(re.sub('.doc$', '.docx', docpath), FileFormat=12)
                # 关闭doc文档
                doc.Close()
            except:
                # 报错则输出报错文件
                print(docpath + '：无法打开')
            else:
                # 无报错输出转换完成
                print(os.path.basename(docpath) + " ： 转换完成")
            finally:
                # 关闭office程序
                word.Quit()
                # 释放资源
                pythoncom.CoUninitialize()
            lock.release()

定义doc转pdf函数

函数代码

这里与doc转docx类似，直接附上函数代码：

    def DocToPdf(docpath):
        '''将doc、docx转存为pdf'''
        with semaphore:
        	lock.acquire()
            try:
                pythoncom.CoInitialize()
                word = DispatchEx('Word.Application')
                doc = word.Documents.Open(docpath)
                doc.SaveAs(re.sub('\.doc.*', '.pdf', docpath), FileFormat=17)
                doc.Close()
            except:
                print(docpath + '：无法打开')
            else:
                print(os.path.basename(docpath) + " ： 转换完成")
            finally:
                word.Quit()
                pythoncom.CoUninitialize()
            lock.release()

完整代码

import os, re
import threading
import pythoncom
from win32com.client import DispatchEx

class WordConvertToOther:
    def DocToDocx(docpath):
        '''将doc转存为docx'''
        with semaphore:
        	lock.acquire()
            try:
                # CoInitialize初始化,为线程和word对象创建一个套间，令其可以正常关联和执行
                pythoncom.CoInitialize()
                # 用DispatchEx()的方式启动MS Word或与当前已执行的MS Word建立连结
                word = DispatchEx('Word.Application')
                # 打开指定目录下doc文档
                doc = word.Documents.Open(docpath)
                # 将打开的doc文档存储为docx
                doc.SaveAs(re.sub('.doc$', '.docx', docpath), FileFormat=12)
                # 关闭doc文档
                doc.Close()
            except:
                # 报错则输出报错文件
                print(docpath + '：无法打开')
            else:
                # 无报错输出转换完成
                print(os.path.basename(docpath) + " ： 转换完成")
            finally:
                # 关闭office程序
                word.Quit()
                # 释放资源
                pythoncom.CoUninitialize()
            lock.release()

    def DocToPdf(docpath):
        '''将doc、docx转存为pdf'''
        with semaphore:
        	lock.acquire()
            try:
                pythoncom.CoInitialize()
                word = DispatchEx('Word.Application')
                doc = word.Documents.Open(docpath)
                doc.SaveAs(re.sub('\.doc.*', '.pdf', docpath), FileFormat=17)
                doc.Close()
            except:
                print(docpath + '：无法打开')
            else:
                print(os.path.basename(docpath) + " ： 转换完成")
            finally:
                word.Quit()
                pythoncom.CoUninitialize()
            lock.release()

if __name__ == '__main__':
    # 控制线程最大并发数为12
    semaphore = threading.Semaphore(12)
    # 线程锁
    lock = threading.Lock()
    # 当前脚本目录绝对路径
    pre = os.path.realpath('./') + '\\'
    for a, b, c in os.walk(pre):
        for file in c:
            if re.search('\.doc', file) != None:
                # 将doc转存为docx
                # threading.Thread(target=WordConvertToOther.DocToDocx, args=(pre + file,)).start()
                # 将doc、docx转存为pdf
                threading.Thread(target=WordConvertToOther.DocToPdf, args=(pre + file, )).start()

参考文献

• https://www.jianshu.com/p/4fa504c720c1
• http://yshblog.com/blog/57