Python批量处理.doc文件：利用Win32 COM转为.docx并读写

前言：

Java语言在处理.doc文件时遇到的乱码问题：

在使用Java语言读写.doc文件时，无论是通过流将内容输出到控制台，还是写入其他文件，无论采用何种编码格式（如utf-8、gbk等），最终显示的内容99%会出现乱码。

Java语言读写.doc文件出现乱码的原因分析：

.doc是微软开发的办公软件之一。若Word文档仅使用utf-8字体格式，采用对应编码读写可正确输出汉字；但一旦文档中涉及字体尺寸、颜色或特定样式（style）等格式变更，文档结构即不再符合纯utf-8编码特征，因此使用utf-8格式输出时99%会显示为乱码。

利用Java语言避免.doc文档乱码的解决方案：（Sun公司与微软公司的博弈）

可以使用Sun公司开发的POI包，该包提供了操作微软办公软件的接口，利用POI读写.doc文件通常可避免乱码。但若因此认为Java已能完美处理.doc文件，则可能过于乐观。据我所知，截至2017年12月22日，POI包最新版本为3.1.7版。该版本仅支持处理微软2007版本的Word、Excel和PPT等，意味着POI 3.1.7版本的jar包不支持处理当时较新的Word 2016。因此，可以说使用Java读写Word 2016文件较为困难。虽然可尝试其他接口，但效率通常不及POI。官网曾显示POI最新版本计划于2017年12月推出，但截至该日期，我尚未在官网找到该jar包。

正文：

Python在文档处理方面比Java更具优势，尤其在结合正则表达式进行自然语言处理时表现强势。近期在进行深度学习项目时，需要解析并处理数百个.doc文件。众所周知，Python读写.txt文档通常畅通无阻，无论中文格式如何；Python读写.docx文档也较为顺畅，只需在命令行安装python-docx（0.8.6）即可实现读写，具体方案如下。

问题：Python无法直接读取.doc文件（而非.docx文件）

解决方案：利用Python将大批量.doc文件转换为.docx文件，随后读写.docx文件

问题分析：Python利用python-docx（0.8.6）库可以顺畅读取.docx或.txt文件，但对原生.doc文件无能为力。部分同学可能尝试手动将.doc后缀改为.docx或.txt，但这会导致文件损坏，无法打开或显示乱码。Python无法直接操作.doc文件是其先天不足，虽然网络上鲜有直接读取.doc文件的源码方案，但通过手动“另存为”功能可将.doc文档成功转换为可打开的.docx文档。基于此思路，尝试通过代码实现这一“另存为”功能，从而解决问题。

直接提供Python代码（首先需安装pypewin32库）：

# -*- coding: utf-8 -*-：
import sys
import pickle
import re
import codecs
import string
import shutil
from win32com import client as wc

def doSaveAas(): # 想批处理文件，你就用for循环呗，我一次性处理了100多个文件，代码执行不超过2分钟，可以解决问题，目标文件路径可以自由改动，大家注意SaveAs方法中的参数，好多啊，别写错了

word = wc.Dispatch('Word.Application')
doc = word.Documents.Open(u'C:\\Users\\X\\PycharmProjects\\1\\大家好.doc')  # 目标路径下的文件
doc.SaveAs(u'C:\\Users\\X\\PycharmProjects\\1\\我是一枚小小的程序员X007.docx', 12, False, "", True, "", False, False, False, False) # 转化后路径下的文件 
doc.Close()
word.Quit()

转化为.docx文件后，处理.docx文件即可一路畅通，网上相关解决方案众多，此处不再赘述。如有问题，欢迎留言交流。

以上这篇解决Python大批量读写.doc文件的问题就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持本站。