Skip to main content
 首页 » 编程设计

python之如何使用 Python 从 .doc 文件中检索纯文本

2024年10月25日11dflying

如何从 .doc 文件中提取纯文本? (MSDoc 97-03) 我可以从 .docx 中提取纯文本,但不能从 .doc 中提取纯文本

我有一个几乎可以工作的 .doc 代码,它是这样的

        if file.endswith('.doc'): 
            app = win32com.client.Dispatch('Word.Application') 
            doc = app.Documents.Open(fullpath) 
            docText = (doc.Content) 
            print docText 
            app.Quit() 

问题是,每当我运行这段代码时,我都会得到纯文本和如下错误:

这是一个测试代码的测试文件:

Traceback (most recent call last): 
  File "C:\Users\IdaLim\Desktop\MyTestCode\FileIO.py", line 76, in <module> doc =                   
 
  app.Documents.Open(fullpath) File "C:\Python27\lib\site- 
  packages\win32com\client\dynamic.py", line 522, in __getattr__ raise  
  AttributeError("%s.%s"% (self._username_, attr)) AttributeError: Word.Application.Documents 

最重要的是,如果纯文本包含非字母字符,如“!@#$%”,程序将不会输出纯文本,并给出一个错误,指出不兼容的 Unicode 或其他内容。

您是否知道任何功能代码可以几乎完美地从 .doc 文件中检索纯文本?

请您参考如下方法:

嗯,我找到了这个解决方案的解决方法。

我成功地将 .doc 文件转换为 .txt 文件,所有特殊字符和编码都转换为 .txt 格式。代码如下。我想你可以做的(如果你需要)是读取新创建的文本文件,然后将它存储在你的 python 程序的变量中。从那里你可以用它做任何你想做的事情。

import win32com.client  
import os 
import re 
rootdir ='C:\Users\IdaLim\Desktop\docs'      
try: 
    app = win32com.client.Dispatch('Word.Application') 
    app.Visible = True 
    for subdir, dirs, files in os.walk(rootdir): 
        for file in files: 
            fullpath = os.path.join(*[subdir, file]) 
            if file.endswith(".doc"): 
                out_name = file.replace("doc", r"txt") 
                in_file = os.path.abspath(rootdir + "\\" + file) 
                out_file = os.path.abspath(rootdir + "\\" + out_name) 
                doc = app.Documents.Open(in_file) 
                content = doc.Content.Text 
                print 'Exporting', out_file 
                doc.SaveAs(out_file, FileFormat=7) 
                doc.Close() 
except Exception, e: 
    print e 
finally: 
    app.Quit()