基于Python获取docx/doc文件内容代码解析

在Python编程中，处理Microsoft Office文档，如.docx和.doc格式的文件，通常涉及到对这些文件内部结构的理解。这些文件实际上是包含多个XML文件的压缩包。本篇将详细讲解如何使用Python来获取.docx和.doc文件的内容，主要依赖于Python标准库中的几个模块：`os`, `requests`, `zipfile`, 和 `xml.dom.minidom`。 我们需要下载文件。在提供的代码中，`create`函数负责下载一个名为`test.docx`的文件。这里使用了`requests`库发送GET请求获取文件内容，然后将其写入本地磁盘。如果文件已存在，则不会重复下载。下载完成后，将文件名更改为`test.zip`，这是因为.docx文件本质上是一个ZIP存档，包含了文档的各种组件。 ```python import os import requests def create(newfile): res = requests.get('https://www.cqjbfy.gov.cn/publiccenter/splc/mb/splc_gginfo.asp?newsid=28949') if not os.path.exists(newfile): with open(newfile, 'wb') as f: for chunk in res.iter_content(100000): f.write(chunk) os.rename(newfile, 'test.zip') ``` 然而，值得注意的是，这段代码仅适用于.docx文件，对于某些特殊的.doc文件可能无法正常工作，具体原因可能与文件内部结构的差异有关。 接下来，`get_txt`函数用于提取并解析文档内容。它首先使用`zipfile`库打开`.zip`文件，遍历所有文件名，然后提取出`document.xml`文件到`temp`目录下。`document.xml`是.docx文件中存储实际文本内容的部分。 ```python import zipfile import xml.dom.minidom def get_txt(): with zipfile.ZipFile('test.zip', 'r') as f: for file in f.namelist(): if file.endswith('/word/document.xml'): f.extract(file, "temp/") break dom = xml.dom.minidom.parse('./temp/word/document.xml') txt = re.sub(r'</w:t></w:r></w:p>', '\n', dom.toprettyxml(indent='')) # 使用toxml()或toprettyxml()获取XML字符串 ``` 在解析XML时，为了获取纯文本内容，通常需要移除XML标签。代码中使用了`re.sub`函数和正则表达式`<.*?>`来删除所有XML标签，只保留文本内容。由于`document.xml`中的段落和行是以`<w:t></w:t>`标签对包裹的，所以在替换过程中，我们还需要处理段落间的换行。这里使用了`re.sub(r'</w:t></w:r></w:p>', '\n', txt)`来添加换行符。 代码在`__main__`块中调用了`create`和`get_txt`函数，完成整个流程。 总结来说，通过Python获取.docx和.doc文件内容的关键步骤包括： 1. 下载文件，确保文件存在并重命名为ZIP格式。 2. 使用`zipfile`库解压缩文件，提取出`document.xml`。 3. 解析`document.xml`，通常使用`xml.dom.minidom`库。 4. 清理XML标签，获取纯文本内容。 这个过程适用于大部分.docx文件，但不保证能处理所有.doc文件，因为旧版的.doc格式可能有不同的内部结构。对于处理.doc文件，可能需要使用其他的库，如`python-docx`，它专门设计用于读写.docx文件，但对于.doc文件的支持可能有限。在实际应用中，根据文件类型和结构选择合适的方法至关重要。