概述
Python 中可以讀取 word 文件的庫有 python-docx 和 pywin32。
下表比較了各自的優缺點。
| 優點 | 缺點 | |
|---|---|---|
| python-docx | 跨平台 | 只能處理 .docx 格式，不能處理.doc格式 |
| pywin32 | 僅限 windows 平台 | .doc 和 .docx 都能處理 |
pywin32
這個庫很強大，不僅僅可以讀取 word，本文僅介紹其讀取 word 功能。網上介紹用 pywin32 讀取 .doc 的文章真不多，因為，真心不好用。
以下是 pywin32 讀取 .doc 的代碼示例，但是讀取表格有問題，輸出全是空，原因不明，因為不打算用所以沒有深入研究。另外，如果表格中有縱向合並單元格，會報錯：“無法訪問此集合中單獨的行，因為表格有縱向合並的單元格。”
from win32com.client import Dispatch
word = Dispatch('Word.Application') # 打開word應用程序
# word = DispatchEx('Word.Application') # 啟動獨立的進程
word.Visible = 0 # 后台運行,不顯示
word.DisplayAlerts = 0 # 不警告
path = r'E:\abc\test.doc'
doc = word.Documents.Open(FileName=path, Encoding='gbk')
for para in doc.paragraphs:
print(para.Range.Text)
for t in doc.Tables:
for row in t.Rows:
for cell in row.Cells:
print(cell.Range.Text)
doc.Close()
word.Quit
但是 pywin32 有另外一個功能，就是將 .doc 格式另存為 .docx 格式，這樣我們就可以使用 python-docx 來處理了。
# 將 .doc 文件轉成 .docx
def doc2docx(path):
w = win32com.client.Dispatch('Word.Application')
w.Visible = 0
w.DisplayAlerts = 0
doc = w.Documents.Open(path)
newpath = os.path.splitext(path)[0] + '.docx'
doc.SaveAs(newpath, 12, False, "", True, "", False, False, False, False)
doc.Close()
w.Quit()
os.remove(path)
return newpath
python-docx
python-docx 可以按段落讀取 word，對於表格，可以單獨的提取，代碼如下：
import docx
fn = r'E:\abc\test.docx'
doc = docx.Document(fn)
for paragraph in doc.paragraphs:
print(paragraph.text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
print(cell.text)
對於縱向合並單元格，python-docx 的處理也很貼心。看下面的截圖：
word 表格截圖：
綜上所述，對於大批量 word 文件的讀取，我建議使用 python-docx 庫，若是 .doc 文件，則用 pywin32 庫將其轉化為 .docx 文件，然后再調用 python-docx 庫讀取。
Word 未能引發事件
這是我遇到的一個實際問題，困擾了我半天時間。
我的爬蟲在爬取到 .doc 文件之后，就通過上面的方法將其轉為 .docx 格式，原本一切都好，下班掛機在跑，第二天來一看，報了這個錯：pywintypes.com_error: (-2147352567, '發生意外。', (0, 'Microsoft Word', 'Word 未能引發事件。', 'D:\工具\Microsoft Office\Office12\2052\WDMAIN11.CHM', 25482, -2146822286), None)
我用報錯的文件單獨調試了 doc2docx 方法，並沒有報錯。網上查了這個錯誤，沒有啥收獲。
反復測試后發現總是那個網頁報錯，說明 bug 可以重現，那么問題到底出在哪里？
我將代碼一行行刪去，直到只留下執行到報錯所必須的代碼：
def get_winningbid_detail(url, name):
r = requests.get(url)
r.encoding = 'utf-8'
html = r.text
soup = BeautifulSoup(html, 'lxml')
ps = soup.find_all(text=re.compile('附件'))
if len(ps) > 0:
os.makedirs(os.path.join(download_dir, name), exist_ok=True)
for p in ps:
a_tab = p.find_next_sibling('a')
if a_tab is not None:
link = homepage + a_tab['href']
localfilename = os.path.join(download_dir, name, a_tab.text)
# print(localfilename)
with open(localfilename, 'wb+') as sw:
sw.write(requests.get(link).content)
if localfilename.endswith('.doc'):
doc2docx(localfilename)
反復讀這段代碼，並沒有發現什么問題。
因為有些網頁的附件名稱是相同的，例如 "公告.doc"，所以我按每個網頁的標題（在總覽頁面爬到的）分文件夾放置下載的文件，所以方法中傳了一個 name 參數，而如果 name 參數傳空，則不會報錯。
其實由此已經可以發現 bug 所在了，但我卻沒想到，又反復折騰了很久才發現，原來是文件名太長了。
在 windows 下面，單個文件名的長度限制是 25，完整的路徑長度（如 E:\abc\test.doc ）限制是 260。路徑最后有一個字符串結束符 '\0' 要占掉一個字符，所以完整路徑實際限長是259。**