我在Windows中运行python 3.3,我需要从Word文档中提取字符串。我一直在寻找一周左右的最佳方法来做到这一点。最初我试图将.docx文件保存为.txt并使用RE解析,但我有一些隐藏字符的格式问题 - 我使用脚本打开.docx并另存为.txt。我想知道我是否做了一个正确的文件> SaveAs> .txt它会删除奇怪的格式然后我可以正确解析通过?我不知道,但我放弃了这种方法。
我尝试使用docx module,但我被告知它与python 3.3不兼容。所以我留下了使用pywin32和COM。我已经成功地使用Excel来获取我需要的数据,但是我遇到了Word的问题,因为有更少的文档,微软网站上的reading through the object model已经超出我的想象。
以下是我到目前为止打开文件的内容:
import win32com.client as win32
import glob, os
word = win32.gencache.EnsureDispatch('Word.Application')
word.Visible = True
for infile in glob.glob(os.path.join(r'mypath', '*.docx')):
print(infile)
doc = word.Documents.Open(infile)
所以在这一点上我可以做类似
的事情print(doc.Content.Text)
看到文件的内容,但它看起来仍然有一些奇怪的格式,我不知道如何实际解析以获取我需要的数据。我可以创建RE,它将成功找到我正在寻找的字符串,我只是不知道如何使用COM将它们实现到程序中。
我到目前为止的代码主要是通过Google找到的。我甚至不认为这很难,只是通过微软网站上的对象模型阅读就像读外语一样。任何帮助深表感谢。谢谢。
编辑:我用来将文件从docx保存到txt的代码:
for path, dirs, files in os.walk(r'mypath'):
for doc in [os.path.abspath(os.path.join(path, filename)) for filename in files if fnmatch.fnmatch(filename, '*.docx')]:
print("processing %s" % doc)
wordapp.Documents.Open(doc)
docastxt = doc.rstrip('docx') + 'txt'
wordapp.ActiveDocument.SaveAs(docastxt,FileFormat=win32com.client.constants.wdFormatText)
wordapp.ActiveDocument.Close()
答案 0 :(得分:3)
如果您不想学习Word模型文档的复杂方式,以及通过Office对象模型公开的方式,那么更简单的解决方案就是让Word保存文件的纯文本副本。
这里有很多选择。使用tempfile
创建临时文本文件然后删除它们,或者将永久文本文件与doc文件一起存储以供以后重复使用?使用Unicode(在Microsoft中,它表示带有BOM的UTF-16-LE)或编码文本?等等。所以,我只会选择合理的内容,然后您可以查看Document.SaveAs
,WdSaveFormat
等文档来修改它。
wdFormatUnicodeText = 7
for infile in glob.glob(os.path.join(r'mypath', '*.docx')):
print(infile)
doc = word.Documents.Open(infile)
txtpath = os.path.splitext('infile')[0] + '.txt'
doc.SaveAs(txtpath, wdFormatUnicodeText)
doc.Close()
with open(txtpath, encoding='utf-16') as f:
process_the_file(f)
正如您的评论中所述,这对复杂的事情(如表格,多列文本等)所做的可能并不完全符合您的要求。在这种情况下,您可能需要考虑保存为,例如,wdFormatFilteredHTML
,哪个Python有很好的解析器。 (BeautifulSoup表格比win32com-Word更容易。)
答案 1 :(得分:0)
oodocx是我的python-docx模块的分支,它与Python 3.3完全兼容。您可以使用replace方法进行正则表达式搜索。您的代码看起来像:
from oodocx import oodocx
d = oodocx.Docx('myfile.docx')
d.replace('searchstring', 'replacestring')
d.save('mynewfile.docx')
如果您只想删除字符串,可以将空字符串传递给“replace”参数。