Python Cookbook-2.27 从微软 Word 文档中抽取文本

任务

你想从 Windows 平台下某个目录树中的各个微软 Word 文件中抽取文本，并保存为对应的文本文件。

解决方案

借助 PyWin32 扩展，通过COM 机制，可以利用 Word 来完成转换:

import fnmatch,os,sys，win32com.client
wordapp = win32com.client.gencache.EnsureDispatch ("Word.Application")
try:
	for path,dirs,files in os.walk(sys.argv[1]):
		for filename in files:
			if not fnmatch.fnmatch(filename,'*.doc'):continue
			doc = os.path.abspath(os.path,join(path,filename))
			print "processing %s" % doc
			wordapp.Documents.Open(doc)
			docastxt = doc[:-3]+'txt'
			wordapp.ActiveDocument.SaveAs(docastxt,FileFormat=win32com.client.constants.wdFormatText)
			wordapp.ActiveDocument.Close()
finally:
#确保即使有异常发生word仍能被正常关闭
wordapp.Quit()

讨论

关于 Windows应用程序的一个有趣的地方是，可以通过COM以及Python 提供的PyWin32 扩展，编写一些简单的脚本对这些应用程序进行控制。这个扩展允许你用Python 脚本来完成各种 Windows 下的任务。本节的脚本，从目录树下的所有的 Word文档(即.doc 文件)中抽取文本，并存为对应的.txt文本文件。通过使用 os.walk 函数，并利用 for循环语句，我们无须递归即可遍历树中的所有子目录。通过 fnmatch.fnmatch函数，可以检查文件名以确认它是否符合我们给出的通配符，这里的通配符是“.doc”一旦我们确认了这是一个 Word 文档，我们就用此文件名和 os.path 来得到一个绝对路径，再用 Word 打开它，存为文本文件，然后关闭。

如果没有安装Word，可能需要完全不同的方法来达成目标。一种可能是使用OpenOMice.org，它也可以载入 Word 文档。另一种可能是使用可以读取 Word 文档的程序，比如 Antiword，其网址是 http://www,winfield.demon.nl/。但这里不准备探讨这两种方式。