在 Windows 中使用 antiword 读取 Python 中的 .doc 文件（也是 .docx）

Question

我尝试阅读.doc文件，例如 -

with open('file.doc', errors='ignore') as f:
    text = f.read()

它确实读取了那个文件，但是有大量垃圾，我无法删除那个垃圾，因为我不知道它从哪里开始和结束。

我还尝试安装textract模块，它说它可以从任何文件格式读取，但是在 Windows 中下载它时存在许多依赖性问题。

所以我交替使用antiword命令行实用程序执行此操作，我的答案如下。

Answer 1

您可以使用antiword命令行实用程序来执行此操作，我知道你们中的大多数人都会尝试过，但我仍然想分享。

• 从这里下载antiword

• 将antiword文件夹解压缩到C:\并将路径C:\antiword添加到PATH环境变量中。

这是一个如何使用它的示例，处理 docx 和 doc 文件：

import os, docx2txt
def get_doc_text(filepath, file):
    if file.endswith('.docx'):
       text = docx2txt.process(file)
       return text
    elif file.endswith('.doc'):
       # converting .doc to .docx
       doc_file = filepath + file
       docx_file = filepath + file + 'x'
       if not os.path.exists(docx_file):
          os.system('antiword ' + doc_file + ' > ' + docx_file)
          with open(docx_file) as f:
             text = f.read()
          os.remove(docx_file) #docx_file was just to read, so deleting
       else:
          # already a file with same name as doc exists having docx extension, 
          # which means it is a different file, so we cant read it
          print('Info : file with same name of doc exists having docx extension, so we cant read it')
          text = ''
       return text

现在调用这个函数：

filepath = "D:\\input\\"
files = os.listdir(filepath)
for file in files:
    text = get_doc_text(filepath, file)
    print(text)

这可能是在Windows上用Python读取.doc文件的好方法。

希望对您有所帮助，谢谢。

Answer 2

Mithilesh 的示例很好，但是一旦安装了 antiword，直接使用textract会更简单。 下载antiword ，并将 antiword 文件夹解压缩到C:\ 。 然后将 antiword 文件夹添加到您的PATH环境变量中。 （ 此处添加到 PATH 的说明）。 打开一个新的终端或命令控制台以重新加载您的PATH环境变量。 使用pip install textract 。

然后你可以像这样使用textract （对 .doc 文件使用antiword ）：

import textract
text = textract.process('filename.doc')
text.decode('utf-8')  # converts from bytestring to string

如果您遇到错误，请尝试从终端/控制台运行命令antiword以确保其正常工作。 还要确保 .doc 文件的文件路径正确（例如使用os.path.exists('filename.doc') ）。