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
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)
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')