python-docx讀取doc文件

一、python-docx讀取docx文件

1. 安裝python-docx包

pip install python-docx

2. python-docx讀取docx文件

使用python-docx需要導入docx包

import docx

2. 讀取docx文件段落和表格內容

import docx
import os.path
docxFile = 'text.docx'
doc = docx.Document(docxFile)
for para in doc.paragraphs:
  print(para.text)
for table in doc.tables:
  for row in table.rows:
    for cell in row.cells:
      print(cell.text)

二、使用office word將doc轉換為docx

1. 安裝pypiwin32

在windows操作系統上利用office word將doc文件轉換為docx文件需要用到win32com包
使用win32com包需要安裝pypiwin32包
pip install pypiwin32

2. doc轉docx

import os.path
from win32com.client import Dispatch, DispatchEx
import docx

docPath = 'text.doc'
# wordApp = DispatchEx('Word.Application')
wordApp = Dispatch('Word.Application')
# 設置word不顯示
wordApp.Visible = 0 
wordApp.DisplayAlerts = 0
docxPath = os.path.splitext(docPath)[0] + '.docx'
doc = wordApp.Documents.Open(docPath)
doc.SaveAs(docxPath, 12, False, '', True, '', False, False, False, False)
doc.Close()
wordApp.Quit()

3. python-docx讀取docx問題

python-docx讀取由office word轉換doc得到的docx文件時，會導致部分內容得不到
例如由office word轉換doc得到的docx文件中包含如下一段文字

使用python-docx讀取的到的信息為日期：2012年，其中缺少了半段文字
暫未不知其原因

三、libreoffice將doc轉docx

1. libreoffice

使用libreoffice將doc文件轉換為docx文件使用如下代碼
libreoffice --handless --convert-to docx [file] [--outdir] [dirPath]
其中docx指定轉換后的文件類型
file表示doc文件的路徑（包含文件名）
參數--outdir指定輸出docx文件的路徑（選填）
dirPath表示輸出文件路徑
例如
libreoffice --handless --convert-to docx text.doc --outdir ./
libreoffice --handless --convert-to docx text.doc

2. 問題

使用libreoffice將doc轉換為docx可以避免第二部分第三節中描述的問題