Python读取doc、docx文档

1. 简介

在进行文本处理或自然语言处理任务时，有时需要读取Microsoft Word文档（.doc、.docx）中的内容。Python 是一种功能强大的编程语言，提供了多种库和工具用于读取和处理Word文档。本文将介绍如何使用Python读取.doc和.docx文件，并展示一些示例代码。

2. 使用python-docx库读取.docx文件

Python-docx 是一个用于创建和修改Microsoft Word (.docx)文档的Python库。首先，您需要安装该库：

pip install python-docx

接下来，我们将使用python-docx库读取.docx文件的内容。假设我们有一个名为”example.docx”的文档，包含几个段落和表格。下面是一个示例代码：

import docx

def read_docx(file_path):
    doc = docx.Document(file_path)
    content = []

    for paragraph in doc.paragraphs:
        content.append(paragraph.text)

    return content

# 读取example.docx文件
file_path = "example.docx"
doc_content = read_docx(file_path)

上述代码通过使用docx.Document类打开文档，并使用paragraphs属性遍历文档中的段落。通过添加每个段落的文本到一个列表中，我们可以获取并打印出文档的内容。

3. 使用python-docx库读取.doc文件

对于.doc文件，我们可以使用Python-docx库的一个扩展，即python-docx2txt。首先，您需要安装该库：

pip install python-docx2txt

然后，我们可以使用以下示例代码读取.doc文件的内容：

import docx2txt

def read_doc(file_path):
    content = docx2txt.process(file_path)
    return content

# 读取example.doc文件
file_path = "example.doc"
doc_content = read_doc(file_path)

上述代码通过docx2txt.process函数读取.doc文件的内容，并将其返回为一个字符串。我们可以将其打印出来或进行后续处理。

4. 处理读取的文档内容

一旦我们成功读取了.doc或.docx文件的内容，我们就可以对其进行各种处理。下面是一些常见的示例：

4.1 文本处理和分析

我们可以使用Python中的字符串处理函数和正则表达式来处理和分析读取的文档内容。例如，我们可以使用正则表达式提取特定模式的文本，或使用字符串拆分和替换函数对内容进行结构化处理。

import re

# 提取example.docx文件中的电子邮件地址
emails = re.findall(r'[\w\.-]+@[\w\.-]+', doc_content)
print(emails)

上述代码使用正则表达式提取了example.docx文件中的所有电子邮件地址。

4.2 文档转换

我们还可以使用Python库将读取的.docx文档转换为其他格式，如PDF或HTML。一个常用的库是python-docx2pdf，可以将.docx转换为.pdf。首先，您需要安装该库：

pip install docx2pdf

然后，我们可以使用以下示例代码将.docx文件转换为.pdf：

from docx2pdf import convert

# 将example.docx文件转换为example.pdf
convert("example.docx", "example.pdf")

上述代码使用convert函数将.docx文件转换为.pdf。

5. 结论

本文介绍了如何使用Python读取.doc和.docx文件的内容。我们使用了python-docx库和python-docx2txt库来实现这一目标，并展示了一些示例代码。通过掌握这些技术，您可以轻松地将Microsoft Word文档的内容读取到Python中，并进行后续处理和分析。