python读取doc/docx文件

仅此记录python读取doc/docx文件的方法，和常用简单的open txt文件完全不同（版本python 3.6   Win10）

docx

使用docx包，python为其专用接口，python-docx，使用

pip install python-docx

安装即可，本人第一次在pycharm直接安装，出现了关于版本报错的问题，后来直接使用pip安装成功，简单使用如下：

import docx
path = "append/***.docx"
file = docx.Document(path)
for p in file.paragraphs:
    print(p.text)

同时，对于文档，要通过每一段来获取内容，不能直接输出file得到文本内容

docx中包含超链接网址的读取

分段读取

这次使用时，发现正常读取无法读取docx中网址，例如下面word文档（.docx）中的网址：

csdn：https://blog.csdn.net/weixin_39643135/article/details/91348983

腾讯网：https://www.qq.com/

百度：https://www.baidu.com/

 将该docx复制一份，并重命名为.zip，然后解压缩，得到：

打开word文件夹，查看document.xml，大致看一下结构：

 就可以大致了解后面获取超链接的原理了。

import docx

def get_paragraph_from_docx(paragraph):
    """
    处理docx文件无法直接获取网址链接文本问题
    :param paragraph: 读取到的该段落，会自动跳过表格
    :return: 文本text，有无链接均可处理
    """
    t_para = u""
    # 有无超链接均可处理
    xml_str = str(paragraph.paragraph_format.element.xml)
    wt_list = re.findall('<w:t[\S\s]*?</w:t>', xml_str)
    for wt in wt_list:
        wt_content = re.sub('<[\S\s]*?>', u"", wt)
        t_para += wt_content
    '''
    多个链接会需要该部分，将各部分连接，最后返回的就是text了，为一个list
    text = []
    if t_para:
        t_para = t_para.strip()
        t_para = re.sub('[\s]', '', t_para)
        if t_para:
            text.append(t_para)
    '''
    return t_para

path = "append/***.docx"
file = docx.Document(path)
for p in file.paragraphs:
    text = get_paragraph_from_docx(p)

注：上面部分无法获取表格、word自动生成的编号等，类似的，这些还需要同其他正则表达式匹配 

不分段-直接读取全部

上面是用了之前的方式，分段读取超链接，还可以直接读取该篇文章的所有链接：

from docx import Document
from docx import RT

document = Document(".docx")
rels = document.part.rels
for rel in rels:
    if rels[rel].reltype == RT.HYPERLINK:
    print("\n 超链接文本为", rels[rel], " 超链接网址为: ", rels[rel]._target)

 

doc

查看了网上的各种方法，大部分还是接受将doc文件强制另存为docx文件（使用代码转换，而不是直接修改后缀），在读取即可，需要另外安装win32com模块，注意就是直接使用 pip install win32com 安装不成功，需要用

python -m pip install pypiwin32

即可，简单使用如下

import docx
import win32com.client as wc

#doc文件另存为docx
word = wc.Dispatch("Word.Application")
doc = word.Documents.Open(r"F:\\***\\***\\append\\***.doc")
#上面的地方只能使用完整绝对地址，相对地址找不到文件，且，只能用“\\”，不能用“/”，哪怕加了 r 也不行，涉及到将反斜杠看成转义字符。
doc.SaveAs(r"F:\\***\\***\\appendDoc\\***.docx", 12, False, "", True, "", False, False, False, False)#转换后的文件,12代表转换后为docx文件
#doc.SaveAs(r"F:\\***\\***\\appendDoc\\***.docx", 12)#或直接简写
#注意SaveAs会打开保存后的文件，有时可能看不到，但后台一定是打开的
doc.Close
word.Quit

path = "appendDoc/***.docx"
file = docx.Document(path)
for p in file.paragraphs:
    print(p.text)

在想办法如何可以在保存的时候不打开docx文件，查看了SaveAs的参数，但还没有发现结果。。。希望各位大佬哪位知道可以解惑

pdf

没有具体实现了解，只当看了下，需要安装库 pdfminer 使用