Python2 获取docx/doc文件内容

Python2　获取docx/doc文件内容

 

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'</w:t></w:r></w:p>' , '\n' , f.toxml())
print re.sub( r'<.*?>' , '' , txt)

if __name__ == '__main__':
create(newfile)
get_txt()pasting

 

 

 

 

 

 

 

 

posted @ 2018-10-30 17:09 python许三多 阅读(...) 评论(...) 编辑 收藏