背景：工作中需要将文件夹下的若干word文件docx转换为对应txt文本格式
因此需要将docx中文本读取出来，然后保存为txt格式即可
转换docx文件
需要的python模块为python-docx： https://python-docx.readthedocs.io/en/latest/index.html, 导入模块时候导入docx
（只能读取.docx文件，不能读取.doc文件）
注意，在PyPi里还有一个叫docx的库，已经停止更新，不建议使用）
http://www.cnblogs.com/geek-arking/p/9300617.html
import docx
from docx import Document
path = "C:\\Users\\Administrator\\Desktop\\word.docx"
document = Document(path)
for paragraph in document.paragraphs:
print(paragraph.text)
上面的方法只能读取docx文件，如果读取doc会报错
结果报错：docx.opc.exceptions.PackageNotFoundError: Package not found。还是无法识别doc
“改变拓展名并没有改变其编码方式，因此无法读取文本内容，需将doc文件用word另存为docx后再用python-docx读取其内容”
转换doc文件
对于要转换的doc文件，网上的资料都是使用win32，需要安装pypiwin32
https://www.cnblogs.com/AlgorithmDot/p/3386918.html
出现的问题：
通过上面的方法，有时可以直接将doc转换为txt文件，有时候会报错。
这里我们可以考虑将doc文件直接转换为docx然后再通过上面的方法读取为txt，如果手动将doc修改为txt或者docx，打开文件会显示乱码，但是可以用其提供的SaveAs方法将.doc文档利用手动的方式“另存为”.docx文档，就能够成功打开转化后的.docx文档，
doc.SaveAs(tmp +'.docx', 16)
其中16的含义如下：
利用win32com接口直接调用office API，好处是简单、兼容性好，只要office能处理的，python都可以处理，处理出来的结果和office word里面“另存为”一致。
下面是office 2007支持的全部文件格式对应表：
wdFormatDocument = 0
wdFormatDocument97 = 0
wdFormatDocumentDefault = 16
wdFormatDOSText = 4
wdFormatDOSTextLineBreaks = 5
wdFormatEncodedText = 7
wdFormatFilteredHTML = 10
wdFormatFlatXML = 19
wdFormatFlatXMLMacroEnabled = 20
wdFormatFlatXMLTemplate = 21
wdFormatFlatXMLTemplateMacroEnabled = 22
wdFormatHTML = 8
wdFormatPDF = 17
wdFormatRTF = 6
wdFormatTemplate = 1
wdFormatTemplate97 = 1
wdFormatText = 2
wdFormatTextLineBreaks = 3
wdFormatUnicodeText = 7
wdFormatWebArchive = 9
wdFormatXML = 11
wdFormatXMLDocument = 12
wdFormatXMLDocumentMacroEnabled = 13
wdFormatXMLTemplate = 14
wdFormatXMLTemplateMacroEnabled = 15
wdFormatXPS = 18
照着字面意思应该能对应到相应的文件格式。
docx模块使用
1、新建或打开文件。这个比较简单用docx的Document类，若指定路径则是打开文档；若没有指定路径则是新建文档
#coding:utf-8
import docx
doc_new = docx.Document() #新建文档
doc = docx.Document(ur'C:\1.docx')#读取文档
2、保存文件。有打开，就有保存。用Document类的save方法，其中参数是保存的文件路径，或者要保存的文件流。一般指定路径即可。
doc.save(path_or_stream)
3、对象集合。python-docx包含了word文档的相关对象集合。
doc.paragraphs#段落集合
doc.tables#表格集合
doc.sections#节 集合
doc.styles#样式集合
doc.inline_shapes#内置图形 等等...
4、插入段落。段落是word最基本的对象之一。
doc.add_paragraph(u'第一段',style=None)#插入一个段落，文本为“第一段”#默认是不应用样式，这里也可以不写style参数，或者指定一个段落样式
doc.add_paragraph(u'第二段',style='Heading 2')#这些样式都是word默认带有的样式，可以直接罗列出来有哪些段落样式
print[s.nameforsindoc.stylesifs.type==1]
5、新增样式。这个帮助文档里面说得不仔细，而且还是英文的。我手头上的项目用到这个，就自己琢磨出怎么使用，如下。
#coding:utf-8
from docx import Document
from docx.shared import RGBColor#这个是docx的颜色类
doc = Document()#新建文档
style = doc.styles.add_style('style name 1',2)#新增样式(第一个参数是样式名称，第二个参数是样式类型：1代表段落；2代表字符；3代表表格)
style.font.color.rgb = RGBColor(0x0,0x0,0xff)#设置具体样式(修改样式字体为蓝色，当然还可以修改其他的，大家自己尝试)
6、应用字符样式。字符自然是在段落里面的，可以采用下面方法给段落追加文字和设置字符样式。
#插入一个空白段落
p = doc.add_paragraph('')
p.add_run('123', style="Heading 1 Char")
p.add_run('456')
p.add_run('789', style="Heading 2 Char")
#这样一个段落就应用了两个字符样式，中间“456”就没应用样式
printp.text#输出结果是u'123456789' 也还是连续的
7、设置字体。当然可以不用通过设置样式对某些字进行设置，也可以直接设置。
p = doc.add_paragraph('')
r = p.add_run('123')
r.font.bold =True#加粗
r.font.italic =True#倾斜 等等...
8、表格操作。表格也是经常用到的一种对象类型。
#新建一个2x3的表格，style可以不写
table=doc.add_table(rows=2,cols=3,style=None)#可以用table 的rows和columns得到这个表格的行数和列数
printlen(table.rows)
printlen(table.columns)#遍历表格
for row in table.rows:
row.cells[0].text ='1'#
print row.cells[0].text#新增行或列
table.add_row()
table.add_column()
网友评论