Python：讀取 .doc、.docx

• 2020 年 1 月 21 日
• 筆記

概述

Python 中可以讀取 word 文件的庫有 python-docx 和 pywin32。

下表比較了各自的優缺點。

pywin32

這個庫很強大，不僅僅可以讀取 word，本文僅介紹其讀取 word 功能。網上介紹用 pywin32 讀取 .doc 的文章真不多，因為，真心不好用。

以下是 pywin32 讀取 .doc 的程式碼示例，但是讀取表格有問題，輸出全是空，原因不明，因為不打算用所以沒有深入研究。另外，如果表格中有縱向合併單元格，會報錯：「無法訪問此集合中單獨的行，因為表格有縱向合併的單元格。」

from win32com.client import Dispatch    word = Dispatch('Word.Application')     # 打開word應用程式  # word = DispatchEx('Word.Application') # 啟動獨立的進程  word.Visible = 0        # 後台運行,不顯示  word.DisplayAlerts = 0  # 不警告    path = r'E:abctest.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 有另外一個功能，就是將 .doc 格式另存為 .docx 格式，這樣我們就可以使用 python-docx 來處理了。

# 將 .doc 文件轉成 .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 可以按段落讀取 word，對於表格，可以單獨的提取，程式碼如下：

import docx    fn = r'E:abctest.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)

對於縱向合併單元格，python-docx 的處理也很貼心。看下面的截圖：

word 表格截圖：

程式碼運行結果截圖：

綜上所述，對於大批量 word 文件的讀取，我建議使用 python-docx 庫，若是 .doc 文件，則用 pywin32 庫將其轉化為 .docx 文件，然後再調用 python-docx 庫讀取。

Word 未能引發事件

這是我遇到的一個實際問題，困擾了我半天時間。

我的爬蟲在爬取到 .doc 文件之後，就通過上面的方法將其轉為 .docx 格式，原本一切都好，下班掛機在跑，第二天來一看，報了這個錯：pywintypes.com_error: (-2147352567, '發生意外。', (0, 'Microsoft Word', 'Word 未能引發事件。', 'D:工具Microsoft OfficeOffice122052WDMAIN11.CHM', 25482, -2146822286), None)

我用報錯的文件單獨調試了 doc2docx 方法，並沒有報錯。網上查了這個錯誤，沒有啥收穫。

反覆測試後發現總是那個網頁報錯，說明 bug 可以重現，那麼問題到底出在哪裡？

我將程式碼一行行刪去，直到只留下執行到報錯所必須的程式碼：

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)

反覆讀這段程式碼，並沒有發現什麼問題。

因為有些網頁的附件名稱是相同的，例如 "公告.doc"，所以我按每個網頁的標題（在總覽頁面爬到的）分文件夾放置下載的文件，所以方法中傳了一個 name 參數，而如果 name 參數傳空，則不會報錯。

其實由此已經可以發現 bug 所在了，但我卻沒想到，又反覆折騰了很久才發現，原來是文件名太長了。

在 windows 下面，單個文件名的長度限制是 25，完整的路徑長度（如 E:abctest.doc ）限制是 260。路徑最後有一個字元串結束符 '' 要佔掉一個字元，所以完整路徑實際限長是259。**