基于Python获取docx/doc文件内容代码解析

Rabia ·

更新时间:2024-11-10

· 668 次阅读

这篇文章主要介绍了基于Python获取docx/doc文件内容代码解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

整体思路：

下载文件并修改后缀为ｚｉｐ文件，解压ｚｉｐ文件，所要获取的内容在固定的文件夹下：work/temp/word/document.xml

所用包，全部是ｐｙｔｈｏｎ自带，不需要额外下载安装．


# encoding:utf-8
import os
import re
import requests
import zipfile
import xml.dom.minidom
newfile = 'test.docx'
def create(newfile):
  """下载docx文件，并修改后缀为zip"""
  res = requests.get('https://www.cqjbfy.gov.cn/publiccenter/splc/mb/splc_gginfo.asp?newsid=28949')
  if not os.path.exists(newfile):
    f = open(newfile, 'wb')
    for chunk in res.iter_content(100000):
      f.write(chunk)
    f.close()
  os.rename(newfile, 'test.zip')  这种方法发现只能解决一部分doc文件,具体原因不得而知,有明白的欢迎留言
  # 将doc/docx文件压缩成ｚｉｐ文件
  #pf = zipfile.ZipFile('test.zip', 'w', zipfile.ZIP_STORED)　
  #pf.write(newfile)
def get_txt():
  """解压zip，并在work/temp/word/document.xml获取文本内容，进行正则替换标签等操作"""
  f = zipfile.ZipFile('test.zip', 'r')
  for file in f.namelist():
    f.extract(file, "temp/")
  f = xml.dom.minidom.parse('./temp/word/document.xml')
  txt = re.sub(r'</w:t></w:r></w:p>', '\n', f.toxml())
  print re.sub(r'<.*?>', '', txt)
if __name__ == '__main__':
  create(newfile)
  get_txt()

您可能感兴趣的文章:python操作docx写入内容,并控制文本的字体颜色基于python的docx模块处理word和WPS的docx格式文件方式Python使用docx模块实现刷题功能代码解决Python import docx出错DLL load failed的问题详解python中docx库的安装过程python实现生成Word、docx文件的方法分析Python使用python-docx读写word文档Python docx库用法示例分析Python操作word常见方法示例【win32com与docx模块】Python读写docx文件的方法

docx Python

1024 个赞