python-docx读取doc文件
一、python-docx读取docx文件
1. 安装python-docx包
pip install python-docx
2. python-docx读取docx文件
使用python-docx需要导入docx包
import docx
2. 读取docx文件段落和表格内容
import docx
import os.path
docxFile = 'text.docx'
doc = docx.Document(docxFile)
for para in doc.paragraphs:
print(para.text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
print(cell.text)
二、使用office word将doc转换为docx
1. 安装pypiwin32
在windows操作系统上利用office word将doc文件转换为docx文件需要用到win32com包
使用win32com包需要安装pypiwin32包
pip install pypiwin32
2. doc转docx
import os.path
from win32com.client import Dispatch, DispatchEx
import docx
docPath = 'text.doc'
# wordApp = DispatchEx('Word.Application')
wordApp = Dispatch('Word.Application')
# 设置word不显示
wordApp.Visible = 0
wordApp.DisplayAlerts = 0
docxPath = os.path.splitext(docPath)[0] + '.docx'
doc = wordApp.Documents.Open(docPath)
doc.SaveAs(docxPath, 12, False, '', True, '', False, False, False, False)
doc.Close()
wordApp.Quit()
3. python-docx读取docx问题
python-docx读取由office word转换doc得到的docx文件时,会导致部分内容得不到
例如由office word转换doc得到的docx文件中包含如下一段文字
使用python-docx读取的到的信息为日期:2012年
,其中缺少了半段文字
暂未不知其原因
三、libreoffice将doc转docx
1. libreoffice
使用libreoffice将doc文件转换为docx文件使用如下代码
libreoffice --handless --convert-to docx [file] [--outdir] [dirPath]
其中docx指定转换后的文件类型
file表示doc文件的路径(包含文件名)
参数--outdir指定输出docx文件的路径(选填)
dirPath表示输出文件路径
例如
libreoffice --handless --convert-to docx text.doc --outdir ./
libreoffice --handless --convert-to docx text.doc
2. 问题
使用libreoffice将doc转换为docx可以避免第二部分第三节中描述的问题