Python:读取两种Word文件简述及文件未能引发事件错误

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

优点缺点python-docx跨平台只能处理 .docx 格式,不能处理.doc格式pywin32仅限 windows 平台.doc 和 .docx 都能处理

本人对于Python学习创建了一个小小的学习圈子,为各位提供了一个平台,大家一起来讨论学习Python。欢迎各位到来Python学习群:960410445一起讨论视频分享学习。Python是未来的发展方向,正在挑战我们的分析能力及对世界的认知方式,因此,我们与时俱进,迎接变化,并不断的成长,掌握Python核心技术,才是掌握真正的价值所在。

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。”

from win32com.client import Dispatch

word = Dispatch('Word.Application') # 打开word应用程序

# word = DispatchEx('Word.Application') # 启动独立的进程

word.Visible = 0 # 后台运行,不显示

word.DisplayAlerts = 0 # 不警告

path = r'E:\abc\test.doc'

doc = word.Documents.Open(FileName=path, Encoding='gbk')

for para in doc.paragraphs:

print(para.Range.Text)

for t in doc.Tables:

for row in t.Rows:

for cell in row.Cells:

print(cell.Range.Text)

doc.Close()

word.Quit

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。

def doc2docx(path):

w = win32com.client.Dispatch('Word.Application')

w.Visible = 0

w.DisplayAlerts = 0

doc = w.Documents.Open(path)

newpath = os.path.splitext(path)[0] + '.docx'

doc.SaveAs(newpath, 12, False, "", True, "", False, False, False, False)

doc.Close()

w.Quit()

os.remove(path)

return newpath

python-docx

import docx

fn = r'E:\abc\test.docx'

doc = docx.Document(fn)

for paragraph in doc.paragraphs:

print(paragraph.text)

for table in doc.tables:

for row in table.rows:

for cell in row.cells:

print(cell.text)

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:

我用报错的文件单独调试了 doc2docx 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:

def get_winningbid_detail(url, name):

r = requests.get(url)

r.encoding = 'utf-8'

html = r.text

soup = BeautifulSoup(html, 'lxml')

ps = soup.find_all(text=re.compile('附件'))

if len(ps) > 0:

os.makedirs(os.path.join(download_dir, name), exist_ok=True)

for p in ps:

a_tab = p.find_next_sibling('a')

if a_tab is not None:

link = homepage + a_tab['href']

localfilename = os.path.join(download_dir, name, a_tab.text)

# print(localfilename)

with open(localfilename, 'wb+') as sw:

sw.write(requests.get(link).content)

if localfilename.endswith('.doc'):

doc2docx(localfilename)

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 name 参数,而如果 name 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255,完整的路径长度(如 E:\abc\test.doc)这样限制是260,一个汉字占2个字符。

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。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181214A0FFMB00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券