Python中读取.doc文件有什么好办法？注意是.doc,不是.docx
Python中读取.doc文件有什么好办法？注意是.doc,不是.docx
9 回复
找到了这个办法。
antiword 是 linux 及其他 RISC OS 下免费的 ms word 文档读取器。使用它可以很方便的在 Linux 中读取 word 文档并输出为纯文本字符串。
下载地址： http://www.winfield.demon.nl
下载后解压、编译安装：
tar -zxvf antiword-0.37.tar.gz
cd antiword-0.37
make
make install
默认安装到当前账户下的 bin 目录中。
使用：
终端中
/home/pi/bin/antiword antiword-test.doc
其他语言中通过各自执行系统命令的方式来执行，比如 Python 中：
import subprocess
word_file = “antiword-test.doc"
content = subprocess.check_output([”/home/pi/antiword", word_file])
print content
用python-doc处理.doc文件最直接，但需要配合反编译工具。
import subprocess
import sys
import os
def doc_to_text(doc_path):
"""
将.doc文件转换为文本
依赖：antiword（Linux/macOS）或catdoc（跨平台）
"""
# 检查文件是否存在
if not os.path.exists(doc_path):
raise FileNotFoundError(f"文件不存在: {doc_path}")
# 尝试使用antiword（Linux/macOS常见）
try:
result = subprocess.run(
['antiword', doc_path],
capture_output=True,
text=True,
check=True
)
return result.stdout
except (subprocess.CalledProcessError, FileNotFoundError):
pass
# 尝试使用catdoc（跨平台方案）
try:
result = subprocess.run(
['catdoc', doc_path],
capture_output=True,
text=True,
check=True
)
return result.stdout
except (subprocess.CalledProcessError, FileNotFoundError):
pass
# 备用方案：使用python-doc（纯Python，但功能有限）
try:
import doc
with open(doc_path, 'rb') as f:
doc_text = doc.Document(f.read())
return doc_text.summary()
except ImportError:
raise ImportError("请安装必要的依赖：antiword/catdoc 或 python-doc")
# 使用示例
if __name__ == "__main__":
text_content = doc_to_text("example.doc")
print(text_content[:500]) # 打印前500字符
安装依赖：
# Ubuntu/Debian
sudo apt-get install antiword catdoc
# macOS
brew install antiword catdoc
# Python包
pip install python-doc
说明：
- antiword/catdoc：外部工具，转换效果最好，但需要系统安装
- python-doc：纯Python库，但解析能力有限，适合简单文档
- 如果文档包含复杂格式（表格、图片），可能需要先用
libreoffice --headless --convert-to txt转换
一句话建议： 优先用antiword/catdoc，需要纯Python方案再考虑python-doc。
