Python 有没有直接提取二进制.doc 文件文本内容的模块？

想提取 word 97 到 2003 的.doc 文件的文本内容，但看了一圈只找到依赖于 antiword 、apache poi 、libreoffce 或者直接用 win32com 调用 msoffice 之类，有没有只需要装模块（ windows 下离线使用）不用额外装其他软件的解决方法？搜索了一下看见有一个 olefile 模块，但是需要自己研究 word 文件的文件结构，看了一下资料不但全英文还相当复杂搞不来。。。

文件

模块

doc

word

9 条回复 • 2023-03-05 18:34:37 +08:00

pppan

2023-03-04 22:49:10 +08:00

https://github.com/python-openxml/python-docx

PolarBears

2023-03-04 23:11:35 +08:00

考虑下先转成 docx 再操作?毕竟是私有格式直接操作可能不太好弄

pcell

2023-03-04 23:23:05 +08:00

楼上两位说的 docx 我也有用，问题是现存好一些并非保管在我手上的.doc 需要提取文本，比较无奈。

ysc3839

2023-03-05 03:04:02 +08:00 via Android

catdoc 不行吗？

mingl0280

2023-03-05 08:30:21 +08:00 via Android

可以自己看二进制 OLE 格式啊，反正微软有文档，自己写一个问题不大吧？

zhzy

2023-03-05 15:33:45 +08:00

建议打包一个 libreoffice. 自己搞那不是一般复杂, 文档接近 600 页, 不太可能一个人短时间重新实现一遍. pandoc 都不愿意做: [Feature request: support .doc (old MS Word) format · Issue #5809 · jgm/pandoc]( https://github.com/jgm/pandoc/issues/5809)

byron

2023-03-05 16:13:36 +08:00

antiword 了解下。

pcell

2023-03-05 16:31:24 +08:00

@ysc3839 看了一下，这是 linux 下的工具吧，我是在 Windows 下使用，用不了。

@zhzy 如果用 libreoffice 的话其实我觉得也可以变通一下，就是直接装一个 msoffice ，我看 everything 这搜索工具如果不装 msoffice 就无法搜索 word 文档内容了，msword 应该有某个 dll 可以直接读取 word 文档的，目前网上流传的调用 msword 的方法都是用 win32com 启动一个 word 程序再另存为，效率异常低下。

ysc3839

2023-03-05 18:34:37 +08:00 via Android

@pcell 按理说是纯算法的，应该不依赖操作系统，就算依赖也可以用 msys2 兼容层