如何使用 python 而不是 Docx 读取 doc 文件

Question

我正在尝试用 python 读取.doc文件，但由于操作系统依赖性，我不想使用 texttract 。另外我不想使用，docx2txt因为据我了解它不读取.doc而只.docx读取文件。

是否有类似的模块，或者甚至可以在没有库支持的情况下实现？

Answer 1

一种方法是使用 Python 的 win32com 模块。win32可以用pip命令下载pip install pywin32。这可以读取 .doc 文档并返回文本。尝试这个：

import win32com.client

word = win32com.client.Dispatch("Word.Application")
word.visible = False
wb = word.Documents.Open(r"C:\Users\eesam\OneDrive\Documents\Eesa\Paper.doc")
doc = word.ActiveDocument
print(doc.Range().Text)

另一种方法是使用 BeautifulSoup，但这种方法可能会有点问题：

from bs4 import BeautifulSoup as bs
soup = bs(open(r"C:\Users\eesam\OneDrive\Documents\Eesa\Paper.doc", encoding="ISO-8859-1").read())
[s.extract() for s in soup(['style', 'script'])]
tmpText = soup.get_text()
text = "".join("".join(tmpText.split('\t')).split('\n')).strip()
print(text)