Python：读取.doc、.docx 两种 Word 文件简述及“Word 未能引发事件”错误

Python 中可以读取 word 文件的库有 python-docx 和 pywin32。

pywin32

这个库很强大，不仅仅可以读取 word，但是网上介绍用 pywin32 读取 .doc 的文章真不多，因为，真心不好用。

以下是 pywin32 读取 .doc 的代码示例，但是读取表格有问题，输出全是空，原因不明，因为不打算用所以没有深入研究。另外，如果表格中有纵向合并单元格，会报错：“无法访问此集合中单独的行，因为表格有纵向合并的单元格。”

但是 pywin32 有另外一个功能，就是将 .doc 格式另存为 .docx 格式，这样我们就可以使用 python-docx 来处理了。

python-docx

对于纵向合并单元格，python-docx 的处理也很贴心。

Word 未能引发事件

我的爬虫在爬取到 .doc 文件之后，就通过上面的方法将其转为 .docx 格式，原本一切都好，下班挂机在跑，第二天来一看，报了这个错：pywintypes.com_error: (-2147352567, '发生意外。', (0, 'Microsoft Word', 'Word 未能引发事件。', 'D:\工具\Microsoft Office\Office12\2052\WDMAIN11.CHM', 25482, -2146822286), None)

我用报错的文件单独调试了 方法，并没有报错。网上查了这个错误，没有啥收获。

反复测试后发现总是那个网页报错，说明 bug 可以重现，问题是到底是哪里报错。

我将代码一行行删去，直到只留下执行到报错所必须的代码：

反复读这段代码，并没有发现什么问题。

因为有些网页的附件名称是相同的，例如 公告.doc，所以我按每个网页的标题（在总览页面爬到的）分文件夹放置下载的文件，所以方法中传了一个 参数，而如果 参数传空，则不会报错。

其实由此已经可以发现 bug 所在了，但我却没想到，又反复折腾了很久才发现，原来是文件名太长了。

在 windows 下面，单个文件名的长度限制是25，完整的路径长度（如 E:\abc\test.doc 这样限制是260）

路径最后有一个字符串结束符 '\0' 要占掉一个字符，所以完整路径实际限长是259。