獲取word文件信息

讀取doc，docx文件

1. 使用office，wps工具打開文件另存爲

2. 針對doc文件，antiword 提取doc文件信息

   2.1 安裝

   • windows

     一、 下載zip包 地址：http://www.winfield.demon.nl/
     二、 解壓至指定目錄，配置系統環境變量path
     三、 使用antiword命令行操做doc文件

   • Linux

     一、 wget http://www.winfield.demon.nl/linux/antiword-0.37.tar.gz
     二、 tar -zxvf antiword-0.37.tar.gz
     三、 cd antiword-0.37
     四、 make && make install

   2.2 使用說明

   • antiword -t xxx.doc 輸出文件信息
   • antiword -f xxx.doc 格式化輸出文件信息
   • antiword -f xxx.doc >> xxx.txt 讀取doc文件信息並保存爲txt文件

3. 針對docx文件，使用python-docx包

   • pip install python-docx

   def trans_docx_txt(path):
       '''
       fun: docx 文件轉txt文件
       '''
       newpath = "".join(path.split(".")[:-1]) + ".txt"
       # 保存的文件若是存在須要先刪除
       if os.path.exists(newpath):
           os.remove(newpath)
       # 空文件不處理
       if os.path.getsize(path) == 0:
           return
   
       file = docx.Document(path)
       # 讀取段落
       for paragraph in file.paragraphs:
           if paragraph.text:
               with open(newpath, "a+", encoding="utf-8") as file:
                   file.write(paragraph.text + "\n")
   
       file = docx.Document(path)
       # 若是存在表格，讀取表中單元格信息
       if file.tables:
           for table in file.tables:
               row_count = len(table.rows)
               colu_count = len(table.columns)
               for i in range(row_count):
                   for j in range(colu_count):
                       with open(newpath, "a+", encoding="utf-8") as file:
                           file.write(table.cell(i, j).text + "\n")