如何使用 python NOT Docx 读取 doc 文件答案

【问题标题】：how to read doc file with python NOT Docx如何使用 python NOT Docx 读取 doc 文件
【发布时间】：2021-01-18 12:55:09
【问题描述】：

我正在尝试在 python 中读取 .doc 文件，但由于操作系统的依赖性，我不想使用 textract。另外我不想使用docx2txt，因为据我了解它不读取.doc，而只读取.docx 文件。

是否有任何类似的模块，或者甚至可以在没有库支持的情况下实现？

【问题讨论】：

标签： python doc

【解决方案1】：

一种方法是使用 Python 的 win32com 模块。 win32 可以通过 pip 命令pip install pywin32 下载。这可以读取 .doc 文档并返回文本。试试这个：

import win32com.client

word = win32com.client.Dispatch("Word.Application")
word.visible = False
wb = word.Documents.Open(r"C:\Users\eesam\OneDrive\Documents\Eesa\Paper.doc")
doc = word.ActiveDocument
print(doc.Range().Text)

另一种方法是使用 BeautifulSoup，但这种方法可能会有点问题：

from bs4 import BeautifulSoup as bs
soup = bs(open(r"C:\Users\eesam\OneDrive\Documents\Eesa\Paper.doc", encoding="ISO-8859-1").read())
[s.extract() for s in soup(['style', 'script'])]
tmpText = soup.get_text()
text = "".join("".join(tmpText.split('\t')).split('\n')).strip()
print(text)

【讨论】：