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

pywin32

這個庫很強大，不僅僅可以讀取 word，但是網上介紹用 pywin32 讀取 .doc 的文章真不多，因為，真心不好用。

以下是 pywin32 讀取 .doc 的代碼示例，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        # 後臺運行,不顯示
word.DisplayAlerts = 0  # 不警告

path = r'E:\abc\test.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。

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

import docx

fn = r'E:\abc\test.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。

Word 未能引發事件

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：

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，問題是到底是哪裡報錯。

我將代碼一行行刪去，直到只留下執行到報錯所必須的代碼：

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)

反覆讀這段代碼，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下麵，單個文件名的長度限制是255，完整的路徑長度（如 E:\abc\test.doc）這樣限制是260，一個漢字占2個字元。

路徑最後有一個字元串結束符 '\0' 要占掉一個字元，所以完整路徑實際限長是259。

相關博文推薦：

Python：解析PDF文本及表格——pdfminer、tabula、pdfplumber 的用法及對比