在Python中解析Word文檔

Question

我想將word文檔轉換爲文本。所以我使用了一個腳本。

import win32com.client 

app = win32com.client.Dispatch('Word.Application') 
doc = app.Documents.Open(r'C:\Users\SBYSMR10\Desktop\New folder (2)\GENERAL DATA.doc') 
content=doc.Content.Text 
app.Quit() 
print content 

我有folllowing結果：

現在我想這個文本轉換成其中包含了所有項目的列表。我用

content = " ".join(content.replace(u"\xa0", " ").strip().split()) 

編輯

當我這樣做，我得到：

它不是一個列表。問題是什麼？那個大點的字符是什麼？

Answer 1

Word文檔不是文本，它們是文檔：它們具有控制信息（如格式）和文本。如果你忽略了控制信息，那麼文本就沒用了。

所以，你必須深入到細節如何導航文檔的控制結構來發現你感興趣的文章，然後獲取結構的文本內容。

注意：您會發現Word非常複雜。如果可以，請考慮以下兩種方法：

• 將Word文檔保存爲Word中的HTML。它會丟失一些格式，但列表將保持不變。與Word相比，HTML解析和理解要簡單得多。

• 將文檔另存爲OOXML（至少自辦公室10後存在，擴展名爲.docx）。這是內部的XML文檔的ZIP檔案。 XML比完整的Word文檔更易於解析/理解，但比HTML版本更難。

Answer 2

現在我想這個文本轉換成其中包含了所有項目的列表。我用

內容= 「」。加入（content.replace（U 「\ XA0」，「「）.strip（）。分裂（））

它不是一個列表。問題是什麼？

.join方法always returns a string。它期望你傳遞一個列表，然後將該列表與給定的分隔符（在你的情況下爲「」）連接起來。

除此之外，Aaron Digulla說。

Answer 3

檢查這個職位在這個環節上，其意見：Converting Word documents to text (Python recipe)

還這篇帖子可能是有用的：python convert microsoft office docs to plain text on linux

Answer 4

你可以只解析由線word文檔線。這是不優雅，它肯定是不漂亮，但它的工作原理。下面是類似的東西我在Python 3所做的一個片段。3.

import os 
directory='your/path/to/file/' 
file='yourword.doc' 
doc=open(directory+file,'r+b') 
for line in doc: 
    line2=str(line) 
    print(line2)) 

我用正則表達式來得到我需要的東西。但是這段代碼會讀取你的word文檔的每一行（格式化和全部）並將它轉換爲你可以處理的漂亮字符串。不知道這是否有幫助（這篇文章已經有幾年了），但至少它解析了word文檔。然後，這只是在寫入txt文件之前刪除不想要的字符串的問題。