用Python解析Word文档

Question

我想把一个word文档转换成文本。所以我用了剧本。

import win32com.client 

app = win32com.client.Dispatch('Word.Application') 
doc = app.Documents.Open(r'C:\Users\SBYSMR10\Desktop\New folder (2)\GENERAL DATA.doc') 
content=doc.Content.Text
app.Quit()
print content

我的结果是：

​

​

现在我想把这个文本转换成一个包含所有项目的列表。我用过

content = " ".join(content.replace(u"\xa0", " ").strip().split())

编辑

当我这么做的时候，我得到：

​

​

这不是一份名单。有什么问题吗？那个大点字是什么？

Answer 1

Word文档不是文本，而是文档:它们有控制信息(如格式)和文本。如果忽略控制信息，文本将非常无用。

因此，您必须深入了解细节，如何导航文档的控制结构，以找到您感兴趣的文本，然后获取该结构的文本内容。

注意:你会发现这个词非常复杂。如果可以的话，也可以考虑这两种方法：

• 将Word文档从Word中保存为HTML。它将失去一些格式，但列表将保持原样。HTML的解析和理解比Word简单得多。
• 将文档保存为OOXML (至少从Office 10开始就存在，扩展名是.docx)。这是一个包含XML文档的ZIP归档文件。XML比完整的Word文档更容易解析/理解，但比HTML版本更难。

Answer 2

现在我想把这个文本转换成一个包含所有项目的列表。我用过 content = ".join(content.replace(u"\xa0"，“").strip().split()) 这不是一份名单。有什么问题吗？

.join方法总是返回字符串。。它希望您传递一个列表，然后将该列表与给定的分隔符(“”在您的情况下)连接起来。

除此之外，亚伦·迪古拉说的话。

Answer 3

请查看此链接中的帖子及其注释：将Word文档转换为文本(Python食谱)

另外，这篇文章可能很有用：python将microsoft office文档转换为linux上的纯文本。