如何从 .doc 文件中提取文本？

谢尔盖·安德烈耶夫。为了从 doc 文件中获取数据，您可以使用多种方法。

1. 使用 olefile 库示例：

import olefile


ole = olefile.OleFileIO('./Путь_к_файлу/файл.doc') //путь к Вашему файлу.
print(ole.openstream('WordDocument').read().decode("utf-16", "ignore"))

//Декодирование данных из бинарной системы. (При многократном изменении файла - могут возникать проблемы символов кодировки. В этом случае используйте параметр ignore или replace.

您还可以使用正则表达式、拉丁文和俄文字符以及数字来初始处理数据。

2. 在系统中安装并使用antiword

 import os
input_word_file = "1.doc"
output_text_file = "output_file.txt"
os.system('antiword %s > %s' % (input_word_file, output_text_file))
//Далее работать с текстом в файле output_file.txt

3. 使用 ezodf 库

   您可以在此处查看示例

文本库

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

docx2txt 库

import docx2txt
my_text = docx2txt.process("test.docx")
print(my_text)

docx 库

import docx

doc = docx.Document("zen_of_python.docx")
result = [p.text for p in doc.paragraphs]

doc/docx 也是压缩的 xml。

doc 格式是一种没有开放内容的二进制格式。因此，没有明确的机制来阅读它。

下面是一个将doc翻译成txt的例子安装pywin32。

import win32com.client

app = win32com.client.Dispatch("Word.Application")

try:

    wb = app.Documents.Open('d:/test/test.doc')
    doc = app.ActiveDocument

    with open('out.txt', 'w', encoding = 'utf-16') as f:
        f.write(doc.Content.Text)

except Exception as e:
    print(e)

finally:
    app.Quit()

也许最好在docx中重新保存？