Solve the problem of reading and writing .doc files in large batches in python

这篇文章主要介绍了关于解决python大批量读写.doc文件的问题，有着一定的参考价值，现在分享给大家，有需要的朋友可以参考一下

前言：

java语言读写.doc的出现乱码问题：

大家都知道当我们利用java语言读写.doc文件时，无论是利用流的方式将.doc文件的内容输出到控制台(console)，还是将其写到其他文件中，无论你采取何种编码格式（utf-8，gbk等）输出，你看到的内容99%都是乱码。

java语言读写.doc的出现乱码问题原因分析：

.doc文件是微软开发的用于办公的编辑文字的软件之一，如果说一篇word文档的字体格式采用的是utf-8，那么你采用utf-8格式读写该文档，应该能够正确输出汉字，但是一旦你的word文档里面的字体的尺寸改变，字体加上颜色属性，字体加上某种style时，那么本篇word文档的格式就变了，而不再是utf-8，因此采用utf-8格式输出99%都是乱码。

利用java语言读写.doc文档避免乱码的解决方案：(sun公司pk微软公司)

可以利用sun公司开发的poi包，该包提供修改微软办公软件的接口，利用poi包读写.doc文件，通常就不会产生乱码。如果看到这里你就大概认为，我终于可以利用java去处理.doc文件了，那么我想说的是，你开心的太早了。据我所知，截止到2017年12月22日，poi包的最新版本是3.1.7版，你也许对该版本没有什么概念，3.1.7版本的poi包只能处理微软2007版本的word，excel，ppt等，也就是说poi3.1.7版本的jar包不支持处理咱们电脑上顶配的word2016，因此可以说你可以放弃使用java读写word2016了。但是你也可以尝试用其他的接口去处理word,但是效率都不会比poi接口高，幸运的是，官网显示poi最新版本将在2017年12月份推出，但是截止到2017年12月22日，我还没有在官网看到此jar包。

正文：

python在处理文档的语言处理方面比java更胜一筹，毕竟python结合正则表达式在自然语言处理方面还是很强势的。最近在做深度学习的项目，需要解析并处理几百个数量级的.doc文件。众所周知，python读写.txt文档可以说一路畅通无阻，不管你中文是什么格式；python在读写.docx文档时，也比较畅通，最多你需要在命令行安装python-docx (0.8.6)，就可以读写.docx文档了，具体读写方案，下述。

问题：python无法读取.doc文件（而不是.docx文件）

解决方案：利用python将大批.doc文件转化为.docx文件，再读写.docx文件

问题分析：python利用python-docx (0.8.6)库可以读取.docx文件或.txt文件，且一路畅通无阻，而对.doc文件本身python是无能为力的，那有很多同学就不服气，我手动把.doc文件的后缀名改为.docx或.txt不就解决问题了吗？答案是不能的，简单修改后缀名，那么文件就被你玩坏了，别说打不开，就是打开也是天书啊（乱码）。python无法操作.doc文件是他的先天不足，但是我们不要钻牛角尖一定要在互联网上找到一种源码直接读取.doc文件，一调用就好了，但是不幸的是，你可能在网上也找不到解决方案。正当我一筹莫展之时，我将.doc文档利用手动的方式“另存为”.docx文档，就能够成功打开转化后的.docx文档，于是我就尝试利用代码方式完成这个手动的“另存为”功能，问题得以解决。

直接上python代码（首先你需要先安装pypewin32库）：

# -*- coding: utf-8 -*-：
import sys
import pickle
import re
import codecs
import string
import shutil
from win32com import client as wc

def doSaveAas(): # 想批处理文件，你就用for循环呗，我一次性处理了100多个文件，代码执行不超过2分钟，可以解决问题，目标文件路径可以自由改动，大家注意SaveAs方法中的参数，好多啊，别写错了

word = wc.Dispatch('Word.Application')
doc = word.Documents.Open(u'C:\\Users\\X\\PycharmProjects\\1\\大家好.doc')  # 目标路径下的文件
doc.SaveAs(u'C:\\Users\\X\\PycharmProjects\\1\\我是一枚小小的程序员X007.docx', 12, False, "", True, "", False, False, False, False) # 转化后路径下的文件 
doc.Close()
word.Quit()

转化为.docx文件后，在处理.docx文件，一路畅通无阻，网上很多解决方案，这里我就不详细说了，有问题，可以给我留言哟

相关推荐：

解决python删除文件的权限错误问题

The above is the detailed content of Solve the problem of reading and writing .doc files in large batches in python. For more information, please follow other related articles on the PHP Chinese website!