如何用Python从.doc文件中提取纯文本？

Question

我想从一个 .doc 文件中提取纯文本（这是微软的旧版文档格式，97-03）。我可以从 .docx 文件中提取纯文本，但 .doc 文件却不行。

我有一段几乎可以用来处理 .doc 文件的代码，代码如下：

        if file.endswith('.doc'):
            app = win32com.client.Dispatch('Word.Application')
            doc = app.Documents.Open(fullpath)
            docText = (doc.Content)
            print docText
            app.Quit()

问题是，每次我运行这段代码时，除了提取到纯文本外，还会出现一个错误，错误信息是这样的：

这是一个测试文件，用来测试代码：

Traceback (most recent call last):
  File "C:\Users\IdaLim\Desktop\MyTestCode\FileIO.py", line 76, in <module> doc =                  

  app.Documents.Open(fullpath) File "C:\Python27\lib\site-
  packages\win32com\client\dynamic.py", line 522, in __getattr__ raise 
  AttributeError("%s.%s"% (self._username_, attr)) AttributeError: Word.Application.Documents

更糟糕的是，如果提取的纯文本中包含像 "!@#$%" 这样的特殊字符，程序就不会输出纯文本，而是会报错，提示说什么不兼容的 Unicode。

你知道有没有什么有效的代码，可以几乎完美地从 .doc 文件中提取纯文本吗？

Answer 1

我找到了解决这个问题的办法。

我成功地把 .doc 文件转换成了 .txt 文件，所有的特殊字符和编码都变成了 .txt 格式。下面是相关的代码。我想如果你需要的话，可以读取新创建的文本文件，然后把内容存储到你的 Python 程序的变量里。接下来你就可以对这些数据进行任何你想做的操作。

import win32com.client 
import os
import re
rootdir ='C:\Users\IdaLim\Desktop\docs'     
try:
    app = win32com.client.Dispatch('Word.Application')
    app.Visible = True
    for subdir, dirs, files in os.walk(rootdir):
        for file in files:
            fullpath = os.path.join(*[subdir, file])
            if file.endswith(".doc"):
                out_name = file.replace("doc", r"txt")
                in_file = os.path.abspath(rootdir + "\\" + file)
                out_file = os.path.abspath(rootdir + "\\" + out_name)
                doc = app.Documents.Open(in_file)
                content = doc.Content.Text
                print 'Exporting', out_file
                doc.SaveAs(out_file, FileFormat=7)
                doc.Close()
except Exception, e:
    print e
finally:
    app.Quit()