Ubuntu下使用python读取doc和docx文档的内容

读取docx文档

使用的包是python-docx

1. 安装python-docx包

sudo pip install python-docx

2. 使用python-docx包读取数据

#encoding:utf8
import docx
doc = docx.Document('test.docx')
docText = '\n'.join([paragraph.text for paragraph in doc.paragraphs])
#print(docText)

python-docx这个包是不能处理doc文档的，要读取doc文档内容的话需要使用antiword这个工具。

读取doc文档

1. 到 网站下载antiword。

2. 下载完毕之后解压，在解压得到的文件夹中依次运行make和make install命令。

3. 使用antiword读取doc文档内容

#encoding:utf8
import subprocess
word = 'test.doc'
output = subprocess.check_output(['antiword',word])
print(output)