在python中处理.doc文件并获取有限的字符列表

Question

我知道.doc文件无法在python中直接读取。因此，当我使用os.open()和os.read()在python中读取它时，无论实际文档有多长，我都会得到以下结果，我想知道这些字符是什么？

b'\xd0\xcf\x11\xe0\xa1\xb1'

Answer 1

它是OLECF文件的签名：

http://www.forensicswiki.org/wiki/OLE_Compound_File#File_signature

OLECF用于存储：

• Microsoft Office 97-2003文档：
  • Word文档（DOC）
  • Excel电子表格（XLS）
  • Powerpoint Presentation（PPT）
• MSN（工具栏）（C：\ Documents and Settings \％USERNAME％\ Local Settings \ Application - Data \ Microsoft \ MSNe \ msninfo.dat）
• 跳转列表
• StickyNotes.snt
• 的Thumbs.db
• Windows Installer（.msi）和补丁文件（.msp）
• Windows搜索（srchadm.msc）

有关详细信息，请参阅Compound Binary File Specification

话虽这么说，阅读.doc文件并不是从MS Word文件中提取文本的简单方法。如果您正在处理的文件是.docx文件，则可以尝试使用python-docx库。