从doc和docx获取文本

Question

我使用安装了Windows 7和python 3.3的计算机。 在我的组织中，我们有数千个没有组织的文件。 我想创建一个打开doc / docx文件的程序，在文本中搜索某些关键字，然后重新排列文档。 我正在寻找一种方法来搜索单词文件（doc / docx）的文本以获取某些单词，它必须在Windows上，并且必须能够搜索doc和docx。

有什么想法吗？

Answer 1

<。> .docx文档是OpenXML格式的Zip存档：您首先要解压缩它。

在此之后你可以运行：

# Import the module
from docx import *

# Open the .docx file
document = opendocx('A document.docx')

# Search returns true if found    
search(document,'your search string')

Answer 2

可以使用textract库。它会照顾＆＃34; doc＆＃34;以及＆＃34; docx＆＃34;

import textract
text = textract.process("path/to/file.extension")

你甚至可以使用＆＃39; antiword＆＃39; （sudo apt-get install antiword）然后将doc转换为docx，然后通过docx2txt读取。

antiword filename.doc＆gt; filename.docx 最终，后端的textract正在使用反词。