以正确格式将 docx 文件转换为 python

Question

我有一个由 FineReader 创建的 docx 文件（FineReader 获取一个 pdf 文件并使用 pdf 中的文本创建一个文本文件）。现在我想使用 python3 读取文件。我用过：

with open('file.docx') as file:
    for line in file:
        print(line)

这就是结果：

at \'ed og \'fd \'fattalast uj; at \'f3 \'fattalast sum ou og \'fa sum yv, ei sum aj, at g og k hava

这是我在文本编辑器中打开 docx 文件时文本的样子：

at í og ý úttalast uj; at ó úttalast sum ou og ú sum yv, ei sum aj, at g og k hava

知道如何解决这个编码问题吗？

---

顺便说一句。我也尝试了以下方法：

with open('file.docx', encoding='latin-1') as file:
    for line in file:
        l = line.encode("utf-8")
        print(l)

这就是结果：

at \\'ed og \\'fd \\'fattalast uj; at \\'f3 \\'fattalast sum ou og \\'fa sum yv, ei sum aj, at g og k hava

我试过这个：

import unicodedata
with open('file.docx') as file:
    for line in file:
        unicode = unicodedata.normalize('NFC', line)
        print(unicode)

得到：

at \'ed og \'fd \'fattalast uj; at \'f3 \'fattalast sum ou og \'fa sum yv, ei sum aj, at g og k hava

Answer 1

问题已通过以下方式打开文档解决：

import unicodedata
import docx

doc = docx.Document("file.docx")
for p in doc.paragraphs:
    unicode = unicodedata.normalize('NFC', p.text)
    print(unicode)