简介
Word 是非常常见的文件格式, 可以使用 python 来操作 Word 文档.
格式类型
Word 有两种类型的文档, 文件后缀分别为 .doc 和 .docx.
前者是 Office 2003 时的格式, 后者是 Office 2007 以后推出的新格式.
通常来说, 我建议大家使用新版本, 但是免不了很多时候会使用老版本.
转换 doc 为 docx 文件
这是在 linux 上使用的, 需要借助 soffice. 如果需要在 windows 上操作, 建议使用 win32com. 这里有一个参考连接.
import glob
import subprocess
from pathlib import Path
"""
借助 soffice 将 doc 转换为 docx
"""
base_dir = Path(__file__).resolve().parent
print(base_dir)
doc_list = glob.glob(base_dir.as_posix() + "/**/*.doc", recursive=True)
print(doc_list)
for doc in doc_list:
subprocess.call(
[
"soffice",
"--headless",
"--convert-to",
"docx",
"--outdir",
Path(doc).parent.as_posix(),
doc,
]
)
doc_list = glob.glob(base_dir.as_posix() + "/**/*.docx", recursive=True)
print(doc_list)s
读写 docx 文件
这里推荐使用 python-docx.
pip install python-docx
简单使用
from docx import Document
doc = Document(doc_path)
# 读取表格列表
table_list = doc.tables
# 读取段落
paragraph_list = [x.text.strip() for x in doc.paragraphs if x.text.strip()]
更多的内容可以参考官方文档.
小结
现在, 我们已经可以使用 python 转换 doc 为 docx 文件, 并从中读取内容了.
