使用olefile从Word .doc中提取文本

Posted 2021-04-05

我只关心从.doc文件中获取文本。我在Windows 10上使用python 3.6，因此textract / antiword不在桌面上。我查看了this question的其他参考资料，但它们都是旧的，与windows 10和/或python 3.6不兼容。

我的文档是一个混合了中文和英文的.doc文件。我不熟悉Word如何存储其文件，我的机器上没有Word。使用olefile我能够获取文档的字节，但我不知道如何正确遍历标题和布局以提取文本。如果我天真地尝试

from olefile import OleFileIO as ofio
ole = ofio('d.doc')
stream = ole.openstream('WordDocument')
data = stream.read()
data.decode('utf-16')
>>>UnicodeDecodeError: 'utf-16-le' codec can't decode bytes in position 9884-9885: illegal encoding
data[9884:9885]
>>>b'xfa'
data[:9884].decode('utf-16')

然后最后一行给了我大约一半的文档，从很多垃圾字符开始和结束。我怀疑我可以继续尝试这种方法来逐个获取文本，但我最终需要为很多文件执行此操作。即使我这样做，我也想不出自动化它的好方法。如何使用olefile可靠地从.doc获取文本？

（如果您知道可以使用我的规范，请随意在您的答案中包含olefile的替代品）

答案

我不确定，但我认为问题是olefile不了解Word文档，只有OLE“流”。所以我猜你提取的数据不仅仅包含纯文本，还有某种控制字符。所以我猜这就是为什么你不能解码你得到的数据为utf-16。

有一些Python模块可以从doc文件转换，但它们只适用于Linux，它们使用命令行实用程序antiword或catdoc。

我尝试了其他前进的道路 - 如果问题是你没有Word的许可证，但是否则可以安装软件，LibreOffice可能是一条前进的道路。使用此命令，我将包含doc格式的中文字母的Word测试文件转换为html：

"c:Program FilesLibreOfficeprogramswriter.exe" --convert-to html d.doc

LibreOffice还可以转换为许多其他格式，但HTML应该足够简单，以便进一步处理。我也试过a port of catdoc to Windows，但我无法处理中文字母。

---

Too bad you don't have Word installed, or you could have made it do the work for you. Leaving that solution here in case someone else has use for it:

import win32com.client

app = win32com.client.Dispatch("Word.Application")

try:
    app.visible = False
    wb = app.Documents.Open('c:/temp/d.doc')
    doc = app.ActiveDocument

    with open('out.txt', 'w', encoding = 'utf-16') as f:
        f.write(doc.Content.Text)

except Exception as e:
    print(e)

finally:
    app.Quit()