python读取doc文件_基于Python获取docx/doc文件内容代码解析

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'', '\n', f.toxml())

print re.sub(r'<.*?>', '', txt)

if __name__ == '__main__':

create(newfile)

get_txt()

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持python博客。