Python2　获取docx/doc文件内容

最新推荐文章于 2024-11-19 17:54:57 发布

转载最新推荐文章于 2024-11-19 17:54:57 发布 · 146 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/fanjp666888/p/9877968.html

文章标签：

#python

本文介绍了一种使用Python标准库解析DOCX文件的方法，通过下载文件并将其转换为ZIP格式，进一步提取并读取document.xml中的文本内容。

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

转载于:https://www.cnblogs.com/fanjp666888/p/9877968.html