linux python读取 doc,（Python技术实战）【Linux/Ubuntu】linux环境下如何读取doc文件（不是docx文...

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')