从python中的单词文件读取

Question

我如何从python中的word（docx）文件读取。我可以读取txt文件，但不能对MS Office Word文档进行相同的操作。有什么建议吗？

Answer 1

有几个软件包可让您执行此操作。检查

1. python-docx。

2. docx2txt（请注意，它似乎不适用于.doc）。根据this，它似乎比python-docx获得更多信息。从原始文档：

import docx2txt

# extract text
text = docx2txt.process("file.docx")

# extract text and write images in /tmp/img_dir
text = docx2txt.process("file.docx", "/tmp/img_dir") 

3. textract（通过docx2txt起作用。）。

4. 由于.docx文件只是扩展名已更改的.zip文件，因此this显示了如何访问内容。这与.doc文件存在显着差异，也是上述某些（或全部）不适用于.doc的原因。在这种情况下，您可能必须先转换doc-> docx。 antiword是一个选项。

Answer 2

请参阅此允许读取docx文件的库https://python-docx.readthedocs.io/en/latest/

您应该使用PyPi上可用的python-docx库。然后您可以使用以下]

doc = docx.Document('myfile.docx')
allText = []
for docpara in doc.paragraphs:
    allText.append(docpara.text)