从 .doc（不是 docx）中提取文本

Question

我在 stackoverflow 和其他人中检查了 mose 问题和答案，有很多方法可以使用 python 打开和读取 .docx 文件而不是 doc

我已经检查了 python-docx 库，但它只支持 docx。

我想从 .doc 文件（不是 docx）中打开和提取文本。 请帮助我，因为我是 Python 新手

Answer 1

你可以使用Tika Python ，它是python的Apache Tika绑定。 另一个好的库是textract 。

Answer 2

我创建了库来从 doc 文件中提取文本。 它适用于 C 和 Python https://github.com/uvoteam/libdoc使用示例：

import extract_doc

with open('./test.doc', 'rb') as myfile:
      data = bytearray(myfile.read())
      print(extract_doc.extract_doc_text(data, len(data)))