将Docx转换为纯文本

Question

我正在尝试将docx文件转换为文本，但一直收到错误。我正在使用python 2-7

import docx

def getText(filename):
    doc = docx.Document(filename)
    fullText = []
    for para in doc.paragraphs:
        fullText.append(para.text)
    return '\n'.join(fullText)

回溯：

return codecs.charmap_encode(input,errors,encoding_map)
UnicodeEncodeError: 'charmap' codec can't encode character u'\u2019' in position 764: character maps to <undefined>

Answer 1

看起来它不喜欢\ u2019，也可能是\ u2018。这些是左右单引号。我将unicode数据编码为ascii并忽略它无法转换的任何内容以删除它们：

import docx

def getText(filename):
    doc = docx.Document(filename)
    fullText = []
    for para in doc.paragraphs:
        txt = para.text.encode('ascii', 'ignore')
        fullText.append(txt)
    return '\n'.join(fullText)

Answer 2

看起来像这个正确的单引号的问题。你能做点什么：

import docx

def getText(filename):
    doc = docx.Document(filename)
    new_doc = doc.replace(u"\u2019", "'")
    fullText = []
    for para in new_doc.paragraphs:
        fullText.append(para.text)
    return '\n'.join(fullText)

通过手机回复所以我无法测试。