读取 .doc 扩展文件，ElementTree答案

【问题标题】：Reading a .doc extension file ,ElementTree读取 .doc 扩展文件，ElementTree
【发布时间】：2014-09-15 05:26:11
【问题描述】：

我已经使用 zipfile 使用 ElementTree 包成功读取了 .docx 文件。但我意识到没有档案 'word/document.xml'for .doc files 。我查看了文档，但没有找到任何文档。怎么读？对于 docx，我使用了：

import zipfile as zf
import xml.etree.ElementTree as ET
z = zf.ZipFile("test.docx")
doc_xml = z.open('word/document.xml')
tree = ET.parse(doc_xml)

对 .doc 使用上述内容：

KeyError: "There is no item named 'word/document.xml' in the archive"

我在 ElementTree 文档中看到了一些可供阅读的内容，但这仅适用于 xml 文件。

doc_xml = open('yesblue.doc','r')

这个应该怎么做？可能类似于在 python 本身中将.doc 转换为.docx。

编辑：.doc 格式以二进制形式存储数据，不能使用 XML。

【问题讨论】：

标签： xml python-2.7 docx elementtree doc

【解决方案1】：

经过一番认真的搜索，我意识到最好使用 comtypes 包将其从.doc 转换为.docx 格式。这有其自身的一系列缺点，例如Windows exclusivity 和需要安装 Microsoft Office。

import sys
import os
import comtypes.client
in_file = os.path.abspath('')
out_file = os.path.abspath('yesblue') #name of output file added to the current working directory 
word = comtypes.client.CreateObject('Word.Application')
doc = word.Documents.Open('yesblue.doc') #name of input file
doc.SaveAs(out_file, FileFormat=16)  # output file format to Office word Xml default (code=16)
doc.Close()
word.Quit()

代码列表包含here。

输出的docx 文件可用于ElementTree 中的进一步处理。

【讨论】：