概述
Python 中可以读取 word 文件的库有 python-docx 和 pywin32。
下表比较了各自的优缺点。
| 优点 | 缺点 | |
|---|---|---|
| python-docx | 跨平台 | 只能处理 .docx 格式，不能处理.doc格式 |
| pywin32 | 仅限 windows 平台 | .doc 和 .docx 都能处理 |
pywin32
这个库很强大，不仅仅可以读取 word，本文仅介绍其读取 word 功能。网上介绍用 pywin32 读取 .doc 的文章真不多，因为，真心不好用。
以下是 pywin32 读取 .doc 的代码示例，但是读取表格有问题，输出全是空，原因不明，因为不打算用所以没有深入研究。另外，如果表格中有纵向合并单元格，会报错：“无法访问此集合中单独的行，因为表格有纵向合并的单元格。”
from win32com.client import Dispatch
word = Dispatch('Word.Application') # 打开word应用程序
# word = DispatchEx('Word.Application') # 启动独立的进程
word.Visible = 0 # 后台运行,不显示
word.DisplayAlerts = 0 # 不警告
path = r'E:\abc\test.doc'
doc = word.Documents.Open(FileName=path, Encoding='gbk')
for para in doc.paragraphs:
print(para.Range.Text)
for t in doc.Tables:
for row in t.Rows:
for cell in row.Cells:
print(cell.Range.Text)
doc.Close()
word.Quit
但是 pywin32 有另外一个功能，就是将 .doc 格式另存为 .docx 格式，这样我们就可以使用 python-docx 来处理了。
# 将 .doc 文件转成 .docx
def doc2docx(path):
w = win32com.client.Dispatch('Word.Application')
w.Visible = 0
w.DisplayAlerts = 0
doc = w.Documents.Open(path)
newpath = os.path.splitext(path)[0] + '.docx'
doc.SaveAs(newpath, 12, False, "", True, "", False, False, False, False)
doc.Close()
w.Quit()
os.remove(path)
return newpath
python-docx
python-docx 可以按段落读取 word，对于表格，可以单独的提取，代码如下：
import docx
fn = r'E:\abc\test.docx'
doc = docx.Document(fn)
for paragraph in doc.paragraphs:
print(paragraph.text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
print(cell.text)
对于纵向合并单元格，python-docx 的处理也很贴心。看下面的截图：
word 表格截图：
综上所述，对于大批量 word 文件的读取，我建议使用 python-docx 库，若是 .doc 文件，则用 pywin32 库将其转化为 .docx 文件，然后再调用 python-docx 库读取。
Word 未能引发事件
这是我遇到的一个实际问题，困扰了我半天时间。
我的爬虫在爬取到 .doc 文件之后，就通过上面的方法将其转为 .docx 格式，原本一切都好，下班挂机在跑，第二天来一看，报了这个错：pywintypes.com_error: (-2147352567, '发生意外。', (0, 'Microsoft Word', 'Word 未能引发事件。', 'D:\工具\Microsoft Office\Office12\2052\WDMAIN11.CHM', 25482, -2146822286), None)
我用报错的文件单独调试了 doc2docx 方法，并没有报错。网上查了这个错误，没有啥收获。
反复测试后发现总是那个网页报错，说明 bug 可以重现，那么问题到底出在哪里？
我将代码一行行删去，直到只留下执行到报错所必须的代码：
def get_winningbid_detail(url, name):
r = requests.get(url)
r.encoding = 'utf-8'
html = r.text
soup = BeautifulSoup(html, 'lxml')
ps = soup.find_all(text=re.compile('附件'))
if len(ps) > 0:
os.makedirs(os.path.join(download_dir, name), exist_ok=True)
for p in ps:
a_tab = p.find_next_sibling('a')
if a_tab is not None:
link = homepage + a_tab['href']
localfilename = os.path.join(download_dir, name, a_tab.text)
# print(localfilename)
with open(localfilename, 'wb+') as sw:
sw.write(requests.get(link).content)
if localfilename.endswith('.doc'):
doc2docx(localfilename)
反复读这段代码，并没有发现什么问题。
因为有些网页的附件名称是相同的，例如 "公告.doc"，所以我按每个网页的标题（在总览页面爬到的）分文件夹放置下载的文件，所以方法中传了一个 name 参数，而如果 name 参数传空，则不会报错。
其实由此已经可以发现 bug 所在了，但我却没想到，又反复折腾了很久才发现，原来是文件名太长了。
在 windows 下面，单个文件名的长度限制是 25，完整的路径长度（如 E:\abc\test.doc ）限制是 260。路径最后有一个字符串结束符 '\0' 要占掉一个字符，所以完整路径实际限长是259。**
