在Python中能否读取Word文件（.doc/.docx）？

Question

我希望创建一个验证工具；

有没有人能帮我使用Python读取.doc/.docx文档，以便搜索和比较文件内容。

- nalinareka

---

可能是从Python中的MS Word文件提取文本的重复问题。 - Amir Ali Akbari

Answer 1

是的，这是可能的。LibreOffice（至少）有一个命令行选项来转换文件，非常有效。使用它将文件转换为文本。然后按照常规操作将文本文件加载到Python中。

这对我在LibreOffice 4.2 / Linux上运行良好：

soffice --headless --convert-to txt:Text /path_to/document_to_convert.doc

我尝试了几种方法（包括odt2txt、antiword、zipfile、lpod、uno等）。上述的soffice命令是第一个简单易用且没有错误的方法。这个问题讲解如何在ask.libreoffice.org上使用过滤器来处理soffice。

- markling

---

您可能还想使用“--outdir”参数。 - markling

Answer 2

您可以尝试使用PyWin32通过COM访问Word，虽然会有点丑陋。您也可以看看IronPython，因为它是使用.NET构建的，可能对Office具有更好的钩子。

另请参见以下内容：

• 在Python中读写MS Word文件
• https://github.com/mikemaccana/python-docx
• http://www.blog.pythonlibrary.org/2010/07/16/python-and-microsoft-office-using-pywin32/
• http://www.galalaly.me/index.php/2011/09/use-python-to-parse-microsoft-word-documents-using-pywin32-library/

- Mike Driscoll