我在 Windows中运行python 3.3,我需要从Word文档中提取字符串.我一直在寻找一周左右的最佳方法来做到这一点.最初我试图将.docx文件保存为.txt并使用RE解析,但我有一些隐藏字符的格式问题 – 我使用脚本打开.docx并保存为.txt.我想知道我是否做了一个正确的文件> SaveAs> .txt它会删除奇怪的格式然后我可以正确解析通过？我不知道,但我放弃了这种方法.

我试图使用docx module,但我被告知它与python 3.3不兼容.所以我留下了使用pywin32和COM.我已成功地使用Excel来获取我需要的数据,但我遇到了Word的问题,因为FAR较少的文档和微软网站上的reading through the object model是我的头脑.

以下是我到目前为止打开文件的内容：

import win32com.client as win32
import glob,os

word = win32.gencache.EnsureDispatch('Word.Application')
word.Visible = True

for infile in glob.glob(os.path.join(r'mypath','*.docx')):
    print(infile)
    doc = word.Documents.Open(infile)

所以在这一点上我可以做类似的事情

print(doc.Content.Text)

并查看文件的内容,但它看起来仍然有一些奇怪的格式,我不知道如何实际解析以获取我需要的数据.我可以创建RE,它将成功找到我正在寻找的字符串,我只是不知道如何使用COM将它们实现到程序中.

我到目前为止的代码主要是通过Google找到的.我甚至不认为这很难,只是通过微软网站上的对象模型阅读就像读外语一样.任何帮助深表感谢.谢谢.

编辑：我用来将文件从docx保存到txt的代码：

for path,dirs,files in os.walk(r'mypath'):
    for doc in [os.path.abspath(os.path.join(path,filename)) for filename in files if fnmatch.fnmatch(filename,'*.docx')]:
        print("processing %s" % doc)
        wordapp.Documents.Open(doc)
        docastxt = doc.rstrip('docx') + 'txt'
        wordapp.ActiveDocument.SaveAs(docastxt,FileFormat=win32com.client.constants.wdFormatText)
        wordapp.ActiveDocument.Close()

wdFormatUnicodeText = 7

for infile in glob.glob(os.path.join(r'mypath','*.docx')):
    print(infile)
    doc = word.Documents.Open(infile)
    txtpath = os.path.splitext('infile')[0] + '.txt'
    doc.SaveAs(txtpath,wdFormatUnicodeText)
    doc.Close()
    with open(txtpath,encoding='utf-16') as f:
        process_the_file(f)