利用python将docx文件转为txt

Posted 2023-03-19

参考技术A 背景：工作中需要将文件夹下的若干word文件docx转换为对应txt文本格式

因此需要将docx中文本读取出来，然后保存为txt格式即可

需要的python模块为 python-docx ： https://python-docx.readthedocs.io/en/latest/index.html, 导入模块时候导入docx

（只能读取.docx文件，不能读取.doc文件）

注意，在PyPi里还有一个叫docx的库，已经停止更新，不建议使用）

http://www.cnblogs.com/geek-arking/p/9300617.html

上面的方法只能读取docx文件，如果读取doc会报错

结果报错：docx.opc.exceptions.PackageNotFoundError: Package not found。还是无法识别doc

“改变拓展名并没有改变其编码方式，因此无法读取文本内容，需将doc文件用word另存为docx后再用python-docx读取其内容”

对于要转换的doc文件，网上的资料都是使用win32，需要安装 pypiwin32

https://www.cnblogs.com/AlgorithmDot/p/3386918.html

通过上面的方法，有时可以直接将doc转换为txt文件，有时候会报错。

这里我们可以考虑将doc文件直接转换为docx然后再通过上面的方法读取为txt，如果手动将doc修改为txt或者docx，打开文件会显示乱码，但是可以用其提供的SaveAs方法将.doc文档利用手动的方式“另存为”.docx文档，就能够成功打开转化后的.docx文档，

doc.SaveAs(tmp +'.docx', 16)

其中16的含义如下：

利用win32com接口直接调用office API，好处是简单、兼容性好，只要office能处理的，python都可以处理，处理出来的结果和office word里面“另存为”一致。

下面是office 2007支持的全部文件格式对应表：

wdFormatDocument = 0 

wdFormatDocument97 = 0 

wdFormatDocumentDefault = 16 

wdFormatDOSText = 4 

wdFormatDOSTextLineBreaks = 5 

wdFormatEncodedText = 7 

wdFormatFilteredHTML = 10 

wdFormatFlatXML = 19 

wdFormatFlatXMLMacroEnabled = 20 

wdFormatFlatXMLTemplate = 21 

wdFormatFlatXMLTemplateMacroEnabled = 22 

wdFormatHTML = 8 

wdFormatPDF = 17 

wdFormatRTF = 6 

wdFormatTemplate = 1 

wdFormatTemplate97 = 1 

wdFormatText = 2 

wdFormatTextLineBreaks = 3 

wdFormatUnicodeText = 7 

wdFormatWebArchive = 9 

wdFormatXML = 11 

wdFormatXMLDocument = 12 

wdFormatXMLDocumentMacroEnabled = 13 

wdFormatXMLTemplate = 14 

wdFormatXMLTemplateMacroEnabled = 15 

wdFormatXPS = 18

照着字面意思应该能对应到相应的文件格式。

1、新建或打开文件。这个比较简单用docx的Document类，若指定路径则是打开文档；若没有指定路径则是新建文档

2、保存文件。有打开，就有保存。用Document类的save方法，其中参数是保存的文件路径，或者要保存的文件流。一般指定路径即可。

doc.save(path_or_stream)

3、对象集合。python-docx包含了word文档的相关对象集合。

4、插入段落。段落是word最基本的对象之一。

5、新增样式。这个帮助文档里面说得不仔细，而且还是英文的。我手头上的项目用到这个，就自己琢磨出怎么使用，如下。

6、应用字符样式。字符自然是在段落里面的，可以采用下面方法给段落追加文字和设置字符样式。

#插入一个空白段落

p = doc.add_paragraph('')

p.add_run('123', style="Heading 1 Char")

p.add_run('456')

p.add_run('789', style="Heading 2 Char")

#这样一个段落就应用了两个字符样式，中间“456”就没应用样式

printp.text#输出结果是u'123456789' 也还是连续的

7、设置字体。当然可以不用通过设置样式对某些字进行设置，也可以直接设置。

p = doc.add_paragraph('')

r = p.add_run('123')

r.font.bold =True#加粗

r.font.italic =True#倾斜 等等...

8、表格操作。表格也是经常用到的一种对象类型。

通过将文件（即 docx、xlsx、txt）发送到“Microsoft XPS Document Writer”打印机，以编程方式将文件（即 docx、xlsx、txt）转换（保存）为 XPS

【中文标题】通过将文件（即 docx、xlsx、txt）发送到“Microsoft XPS Document Writer”打印机，以编程方式将文件（即 docx、xlsx、txt）转换（保存）为 XPS

【英文标题】：Programmatically convert (save) files (i.e. docx, xlsx, txt) to XPS by sending them to the “Microsoft XPS Document Writer” printer

【发布时间】：2011-11-27 21:13:01

【问题描述】：

使用 C# 3.5，我尝试通过将 XPS 文件发送到“Microsoft XPS Document Writer”打印机以编程方式创建它们。我可以设置打印队列，但我无法使用 PrintQueue.AddJob() 将作业添加到打印队列，因为它需要一个 XPS 文件。我也尝试将 PrintSystemInfo JobStream 设置为字节数组，但无济于事。

基本上我想模仿用户在打印到“Microsoft XPS Document Writer”时的手动操作： 1. 从打印机列表中选择“Microsoft XPS Document Writer”。 2. 指定新的 XPS 文件名。 3. 打印（将其保存为 .xps 文件）

我认为使用 System.Printing 和 System.Windows.Xps 命名空间会有一种简单的方法来做到这一点。我花了很多时间对此进行研究，并看到其他人试图完成相同的任务，但没有人能够提供一个优雅的解决方案。

任何见解将不胜感激。

谢谢。

【参考方案1】：

您应该寻找的是如何让知道如何读取这些文件的应用程序打印它们。我的意思是，Excel 可以渲染 xslt，所以您应该让 Excel 将其打印到 XPS 编写器（可能通过 COM）。

System.Windows.Xps 命名空间如果您知道如何读取和呈现文档会有所帮助 - 然后您对类似于 https://***.com/a/352551/332528 的 XpsDocuments 方法进行相应调用，将您的文档呈现到 xps 和然后打印出来。