首页 / 问题 / 正文

如何用Python解析Word文档中的文本？

0 投票
5 回答
2562 浏览
提问于 2025-04-15 19:16

当你尝试打开一个MS Word文档或者大多数Windows文件格式时，你会看到一些乱码，夹杂着实际的文字。我的需求是提取出有用的文字，而忽略这些乱码——这些乱码大概是这样的。请问我该如何只提取重要的文字，忽略其他的内容呢？请给我一些建议。

下面是一个使用 open("sample.doc",r").read() 打开Word文档的示例。谢谢！

00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00In an Interesting news,his is the first time we polled Indian channel community for their preferred memory supplier. Transcend came a close second, was seen to be more popular among class A city based resellers, was also the most recalled memory brand among customers according to resellers. However Transcend channels complained of parallel imports and constant unavailability of the products in grey x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x00\x
文件格式 数据清洗 文档解析 文本提取 ms word

5 个回答

0

我遇到过类似的问题，需要查询成百上千个Word文档。我把这些Word文件转换成了文本文件，然后用普通的文本解析工具来处理。这样做效果很好。

回答于 2025-04-15 由 Python大师
分享 举报
1

doc是一种二进制格式，它不是一种标记语言或者其他什么东西。具体的说明可以查看这个链接：http://www.microsoft.com/interop/docs/OfficeBinaryFormats.mspx

回答于 2025-04-15 由 Python大师
分享 举报
3

如果你需要一个完全用Python实现的解决方案，最可行的工具似乎是OleFileIO。

回答于 2025-04-15 由 Python大师
分享 举报

撰写回答