用pywin32从MS-Word中提取数据

Question

我在Windows中运行python3.3，需要从Word文档中提取字符串。一个星期以来，我一直在寻找最好的方法。最初我试图将.docx文件保存为.txt并使用RE进行解析，但是我在隐藏字符的格式设置上遇到了一些问题-我使用一个脚本打开.docx并另存为.txt。我想知道我是否做了一个正确的文件>；SaveAs>；.txt，它会去掉奇怪的格式，然后我可以正确地解析？我不知道，但我放弃了这个方法。在

我试图使用docx module，但有人告诉我它与python3.3不兼容。所以我只能使用pywin32和COM。我已经成功地用Excel来获得我需要的数据，但是我在Word上遇到了麻烦，因为文档太少了，而且微软网站上的reading through the object model太难了。在

以下是迄今为止我打开文档的方法：

import win32com.client as win32
import glob, os

word = win32.gencache.EnsureDispatch('Word.Application')
word.Visible = True

for infile in glob.glob(os.path.join(r'mypath', '*.docx')):
    print(infile)
    doc = word.Documents.Open(infile)

所以现在我可以做一些类似的事情

^{pr2}$

看看这些文件的内容，但看起来还是有一些奇怪的格式，我不知道如何真正地通过解析来获取我需要的数据。我可以创建RE，它将成功地找到我正在寻找的字符串，我只是不知道如何使用COM将它们实现到程序中。在

到目前为止，我所掌握的代码大多是通过谷歌找到的。我甚至不认为这有那么难，只是通过微软网站上的对象模型阅读就像阅读一门外语。任何帮助都是非常感谢的。谢谢您。在

编辑：我用来将文件从docx保存到txt的代码：

for path, dirs, files in os.walk(r'mypath'):
    for doc in [os.path.abspath(os.path.join(path, filename)) for filename in files if fnmatch.fnmatch(filename, '*.docx')]:
        print("processing %s" % doc)
        wordapp.Documents.Open(doc)
        docastxt = doc.rstrip('docx') + 'txt'
        wordapp.ActiveDocument.SaveAs(docastxt,FileFormat=win32com.client.constants.wdFormatText)
        wordapp.ActiveDocument.Close()

Answer 1

如果您不想了解Word建模文档的复杂方式，以及如何通过Office对象模型公开文档，那么一个更简单的解决方案是让Word保存文件的纯文本副本。在

这里有很多选择。使用tempfile创建临时文本文件，然后将其删除，还是将永久文本文件与doc文件一起存储，以便以后重复使用？使用Unicode（在微软的说法中，这意味着带有BOM的UTF-16-LE）或编码文本？等等。所以，我只选择一些合理的，您可以查看^{}，^{}等文档来修改它。在

wdFormatUnicodeText = 7

for infile in glob.glob(os.path.join(r'mypath', '*.docx')):
    print(infile)
    doc = word.Documents.Open(infile)
    txtpath = os.path.splitext('infile')[0] + '.txt'
    doc.SaveAs(txtpath, wdFormatUnicodeText)
    doc.Close()
    with open(txtpath, encoding='utf-16') as f:
        process_the_file(f)

正如您在评论中所指出的，这对复杂事物（如表、多列文本等）所做的可能并不完全是您想要的。在这种情况下，您可能需要考虑另存为，例如，wdFormatFilteredHTML，Python有很好的解析器来处理这个问题。（与win32com Word It相比，美化一个表要容易得多。）