Python跨平台读取 .doc格式文件的方法

引言

在跨平台的开发环境中，处理不同文件格式是一个常见问题，尤其是老旧的 .doc 格式。Microsoft Word 的 .doc 文件格式不如 .docx 格式那样广泛支持，因此我们往往需要一个可靠的方案来读取和转换 .doc 文件。在这篇博客中，我们将介绍一种基于 Python 的跨平台方案，使用 LibreOffice 将 .doc 文件转换为 .docx 格式，之后再通过 docx2txt 进一步处理文档内容。

方案概述

• 目标：在跨平台环境中，读取 .doc 格式文件。
• 步骤：
  1. 使用 LibreOffice 将 .doc 文件转换为 .docx 格式。
  2. 使用 docx2txt 提取 .docx 文件的内容。

这种方法的好处在于：

• LibreOffice 是跨平台的，支持 Linux、macOS 和 Windows。
• docx2txt 是一个轻量级的库，用于从 .docx 文件中提取文本内容。

LibreOffice 跨平台安装方式

在使用 LibreOffice 转换 .doc 文件之前，您需要在操作系统中安装 LibreOffice。下面是针对不同操作系统的安装方法：

1. Windows 安装

• 访问 LibreOffice 官方网站：LibreOffice 下载页面。
• 选择 Windows 版本，下载并安装安装包。
• 安装完成后，确保 soffice 命令可以在命令行中被正确调用（通常 LibreOffice 会自动配置环境变量）。

2. macOS 安装

• 打开终端，使用 Homebrew 安装 LibreOffice

brew install --cask libreoffice

• 安装完成后，LibreOffice 应该会自动配置好相关命令，您可以通过终端运行 soffice 来确认是否安装成功。

3. Linux 安装

• 在 Ubuntu 或 Debian 系统中，您可以使用以下命令安装 LibreOffice：

sudo apt update
sudo apt install libreoffice

• 在 Fedora 系统中，使用以下命令：

sudo dnf install libreoffice

• 安装完成后，您可以通过 soffice 命令来确认是否安装成功。

4. 验证安装

在任何操作系统上，您可以通过命令行检查 soffice 是否正常工作：

soffice --version

如果输出 LibreOffice 的版本信息，表示安装成功。

步骤详解

1. 使用 LibreOffice 转换 .doc 为 .docx： LibreOffice 提供了一个命令行工具 soffice，可以批量处理文件转换。它支持将 .doc 文件转换为 .docx 格式。通过这种方式，即使原始文件是老旧的 .doc 格式，也可以转换为更现代、更易处理的 .docx 格式。

2. 读取 .docx 文件内容： 转换完成后，我们使用 docx2txt 库来读取 .docx 文件中的文本。docx2txt 提供了简单的 API，可以提取文档中的文本内容并返回。

完整代码实现

以下是实现上述方案的完整代码：

import docx2txt
import os
import subprocess
import shlex
 
def convert_doc_to_docx(doc_file, output_directory):
    """
    使用 LibreOffice 将 .doc 文件转换为 .docx 格式
    :raises RuntimeError: 转换失败时抛出异常
    """
    try:
        # 创建输出目录（如果不存在）
        os.makedirs(output_directory, exist_ok=True)
 
        # 转义所有参数防止命令注入
        safe_doc_file = shlex.quote(doc_file)
        safe_output_dir = shlex.quote(output_directory)
 
        # 构建并执行命令
        command = f"soffice --headless --convert-to docx --outdir {safe_output_dir} {safe_doc_file}"
        result = subprocess.run(
            command,
            shell=True,
            check=True,
            stdout=subprocess.PIPE,
            stderr=subprocess.PIPE,
            text=True
        )
 
        print(f"{doc_file} 转换为 .docx 格式完成")
    except subprocess.CalledProcessError as e:
        error_msg = f"转换失败: {e.stderr.strip()}" if e.stderr else "未知错误"
        raise RuntimeError(f"{error_msg}\n命令: {e.cmd}") from e
    except Exception as e:
        raise RuntimeError(f"转换过程中发生意外错误: {str(e)}") from e
 
 
def main():
 
    # 输入文件路径
    doc_file = "D:/extracodes/open-webui/backend/docs/1.doc"
 
    # 根据 doc_file 获取目录
    output_directory = os.path.dirname(doc_file)
 
    # 根据 doc_file 的后缀 .doc 换成 .docx
    docx_file = doc_file.replace(".doc", ".docx")
 
    # 判断 docx_file 是否已经存在, 如果已经存在, 则删除掉它
    if os.path.exists(docx_file):
        os.remove(docx_file)
 
    # 第一步：将 .doc 文件转换为 .docx
    convert_doc_to_docx(doc_file, output_directory)
 
    # 第二步：对转换后的 .docx 文件进行处理（这里以转换为 HTML 为例）
    page_content = docx2txt.process(docx_file)
    print(page_content)
 
 
if __name__ == "__main__":
    main()

代码解释

1. convert_doc_to_docx 函数： 该函数接受 .doc 文件路径和输出目录作为输入，使用 LibreOffice 的命令行工具 soffice 来将 .doc 文件转换为 .docx 格式。--headless 参数表示不启动 GUI，--convert-to 用于指定输出格式。

2. main 函数：

   • 首先定义了 .doc 文件的路径 doc_file。
   • 然后通过替换文件后缀生成目标 .docx 文件路径。
   • 检查是否已有同名的 .docx 文件，如果有则删除。
   • 调用 convert_doc_to_docx 函数进行转换。
   • 转换完成后，使用 docx2txt.process 从 .docx 文件中提取文本内容，并输出。

适用环境

• Linux/macOS/Windows：LibreOffice 和 docx2txt 都是跨平台的，因此可以在大多数操作系统上使用。
• Python 环境：需要安装 docx2txt 库，可以通过 pip install docx2txt 安装。

结语

通过结合使用 LibreOffice 和 docx2txt，我们可以方便地跨平台处理 .doc 文件，转换成 .docx 格式后提取文本内容。这种方法简单、可靠，适用于大多数需要批量处理 .doc 文件的场景。如果你需要处理更复杂的文件内容或支持更多文件格式，还可以探索其他 Python 库，如 python-docx 或 PyWin32（仅限 Windows 环境）。

以上就是Python跨平台读取 .doc格式文件的方法的详细内容，更多关于Python跨平台读取.doc文件的资料请关注脚本之家其它相关文章！

最新评论