解決python大批量讀寫.doc檔案的問題

這篇文章主要介紹了關於解決python大批量讀寫.doc檔案的問題，有著一定的參考價值，現在分享給大家，有需要的朋友可以參考一下

前言：

java語言讀寫.doc的出現亂碼問題：

大家都知道當我們利用java語言讀寫.doc檔案時，無論是利用流的方式將.doc檔案的內容輸出到控制台(console)，還是將其寫到其他檔案中，無論你採取何種編碼格式（utf-8，gbk等）輸出，你看到的內容99%都是亂碼。

java語言讀寫.doc的出現亂碼問題原因分析：

.doc檔案是微軟開發的用於辦公的編輯文字的軟體之一，如果說一篇word文檔的字型格式採用的是utf-8，那麼你採用utf-8格式讀寫該文檔，應該能夠正確輸出漢字，但是一旦你的word文檔裡面的字型的尺寸改變，字型加上顏色屬性，字型加上某種style時，那麼本篇word文檔的格式就變了，而不再是utf-8，因此採用utf-8格式輸出99%都是亂碼。

利用java語言讀寫.doc文檔避免亂碼的解決方案：(sun公司pk微軟公司)

可以利用sun公司開發的poi包，該包提供修改微軟辦公軟體的介面，利用poi包讀寫.doc檔案，通常就不會產生亂碼。如果看到這裡你就大概認為，我終於可以利用java去處理.doc檔案了，那麼我想說的是，你開心的太早了。據我所知，截止到2017年12月22日，poi包的最新版本是3.1.7版，你也許對該版本沒有什麼概念，3.1.7版本的poi包只能處理微軟2007版本的word，excel，ppt等，也就是說poi3.1.7版本的jar包不支援處理咱們電腦上頂配的word2016，因此可以說你可以放棄使用java讀寫word2016了。但是你也可以嘗試用其他的介面去處理word,但是效率都不會比poi介面高，幸運的是，官網顯示poi最新版本將在2017年12月份推出，但是截止到2017年12月22日，我還沒有在官網看到此jar包。

本文：

python在處理文檔的語言處理方面比java更勝一籌，畢竟python結合Regex在自然語言處理方面還是很強勢的。最近在做深度學習的項目，需要解析並處理幾百個數量級的.doc檔案。眾所周知，python讀寫.txt文檔可以說一路暢通無阻，不管你中文是什麼格式；python在讀寫.docx文檔時，也比較暢通，最多你需要在命令列安裝python-docx (0.8.6)，就可以讀寫.docx文檔了，具體讀寫方案，下述。

問題：python無法讀取.doc檔案（而不是.docx檔案）

解決方案：利用python將大批.doc檔案轉化為.docx檔案，再讀寫.docx檔案

問題分析：python利用python-docx (0.8.6)庫可以讀取.docx檔案或.txt檔案，且一路暢通無阻，而對.doc檔案本身python是無能為力的，那有很多同學就不服氣，我手動把.doc檔案的尾碼名改為.docx或.txt不就解決問題了嗎？答案是不能的，簡單修改尾碼名，那麼檔案就被你玩壞了，別說打不開，就是開啟也是天書啊（亂碼）。python無法操作.doc檔案是他的先天不足，但是我們不要鑽牛角尖一定要在互連網上找到一種源碼直接讀取.doc檔案，一調用就好了，但是不幸的是，你可能在網上也找不到解決方案。正當我一籌莫展之時，我將.doc文檔利用手動的方式“另存新檔”.docx文檔，就能夠成功開啟轉化後的.docx文檔，於是我就嘗試利用代碼方式完成這個手動的“另存新檔”功能，問題得以解決。

直接上python代碼（首先你需要先安裝pypewin32庫）：

# -*- coding: utf-8 -*-：import sysimport pickleimport reimport codecsimport stringimport shutilfrom win32com import client as wc

def doSaveAas(): # 想批次檔，你就用for迴圈唄，我一次性處理了100多個檔案，代碼執行不超過2分鐘，可以解決問題，目標檔案路徑可以自由改動，大家注意SaveAs方法中的參數，好多啊，別寫錯了

word = wc.Dispatch('Word.Application')doc = word.Documents.Open(u'C:\\Users\\X\\PycharmProjects\\1\\大家好.doc')  # 目標路徑下的檔案doc.SaveAs(u'C:\\Users\\X\\PycharmProjects\\1\\我是一枚小小的程式員X007.docx', 12, False, "", True, "", False, False, False, False) # 轉化後路徑下的檔案 doc.Close()word.Quit()

轉化為.docx檔案後，在處理.docx檔案，一路暢通無阻，網上很多解決方案，這裡我就不詳細說了，有問題，可以給我留言喲