從doc和docx中獲取文本

Question

我正在使用安裝了Windows 7和python 3.3的計算機。 在我的組織中，我們有數千個沒有組織的文檔。 我想創建一個打開doc/docx文件的程序，搜索文本中的某些關鍵字，然後重新排列文檔。 我正在尋找一種方法來搜索某個單詞文件（doc/docx）的文本，它必須在Windows上，它必須能夠搜索doc和docx。

任何想法？

Answer 1

.docx文檔是OpenXML格式的Zip存檔文件：您首先需要對其進行解壓縮。

在這之後，你可以運行：

# 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

人們可以使用textract庫。它要同時兼顧「DOC」的還有「DOCX」

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

你甚至可以用「antiword」（命令和apt-get安裝antiword），然後轉換成DOC首先進入DOCX，然後通過docx2txt閱讀。

antiword filename.doc> filename.docx 最終，後端的textract正在使用反義詞。