获取word文件信息

Posted 2021-03-06 victor-zh

读取doc，docx文件

1. 使用office，wps工具打开文件另存为

2. 针对doc文件，antiword 提取doc文件信息

   2.1 安装

   • windows

     1、 下载zip包 地址：http://www.winfield.demon.nl/
     2、 解压至指定目录，配置系统环境变量path
     3、 使用antiword命令行操作doc文件

   • Linux

     1、 wget http://www.winfield.demon.nl/linux/antiword-0.37.tar.gz
     2、 tar -zxvf antiword-0.37.tar.gz
     3、 cd antiword-0.37
     4、 make && make install

   2.2 使用说明
   • antiword -t xxx.doc 输出文件信息
   • antiword -f xxx.doc 格式化输出文件信息
   • antiword -f xxx.doc >> xxx.txt 读取doc文件信息并保存为txt文件
3. 针对docx文件，使用python-docx包
   • pip install python-docx

   def trans_docx_txt(path):
       '''
       fun: docx 文件转txt文件
       '''
       newpath = "".join(path.split(".")[:-1]) + ".txt"
       # 保存的文件如果存在需要先删除
       if os.path.exists(newpath):
           os.remove(newpath)
       # 空文件不处理
       if os.path.getsize(path) == 0:
           return
   
       file = docx.Document(path)
       # 读取段落
       for paragraph in file.paragraphs:
           if paragraph.text:
               with open(newpath, "a+", encoding="utf-8") as file:
                   file.write(paragraph.text + "
   ")
   
       file = docx.Document(path)
       # 如果存在表格，读取表中单元格信息
       if file.tables:
           for table in file.tables:
               row_count = len(table.rows)
               colu_count = len(table.columns)
               for i in range(row_count):
                   for j in range(colu_count):
                       with open(newpath, "a+", encoding="utf-8") as file:
                           file.write(table.cell(i, j).text + "
   ")