背景：工作中需要将文件夹下的若干word文件docx转换为对应txt文本格式

因此需要将docx中文本读取出来，然后保存为txt格式即可

转换docx文件

需要的python模块为python-docx： https://python-docx.readthedocs.io/en/latest/index.html, 导入模块时候导入docx

(只能读取.docx文件，不能读取.doc文件)

注意，在PyPi里还有一个叫docx的库，已经停止更新，不建议使用)

http://www.cnblogs.com/geek-arking/p/9300617.htmlimport docx

from docx import Document

path = "C:\\Users\\Administrator\\Desktop\\word.docx"

document = Document(path)

for paragraph in document.paragraphs:

print(paragraph.text)

上面的方法只能读取docx文件，如果读取doc会报错

结果报错：docx.opc.exceptions.PackageNotFoundError: Package not found。还是无法识别doc

“改变拓展名并没有改变其编码方式，因此无法读取文本内容，需将doc文件用word另存为docx后再用python-docx读取其内容”

转换doc文件

对于要转换的doc文件，网上的资料都是使用win32，需要安装pypiwin32

https://www.cnblogs.com/AlgorithmDot/p/3386918.html

出现的问题：

通过上面的方法，有时可以直接将doc转换为txt文件，有时候会报错。

这里我们可以考虑将doc文件直接转换为docx然后再通过上面的方法读取为txt，如果手动将doc修改为txt或者docx，打开文件会显示乱码，但是可以用其提供的SaveAs方法将.doc文档利用手动的方式“另存为”.docx文档，就能够成功打开转化后的.docx文档，

doc.SaveAs(tmp +'.docx', 16)

其中16的含义如下：

利用win32com接口直接调用office API，好处是简单、兼容性好，只要office能处理的，python都可以处理，处理出来的结果和office word里面“另存为”一致。

下面是office 2007支持的全部文件格式对应表：

wdFormatDocument = 0

wdFormatDocument97 = 0

wdFormatDocumentDefault = 16

wdFormatDOSText = 4

wdFormatDOSTextLineBreaks = 5

wdFormatEncodedText = 7

wdFormatFilteredHTML = 10

wdFormatFlatXML = 19

wdFormatFlatXMLMacroEnabled = 20

wdFormatFlatXMLTemplate = 21

wdFormatFlatXMLTemplateMacroEnabled = 22

wdFormatHTML = 8

wdFormatPDF = 17

wdFormatRTF = 6

wdFormatTemplate = 1

wdFormatTemplate97 = 1

wdFormatText = 2

wdFormatTextLineBreaks = 3

wdFormatUnicodeText = 7

wdFormatWebArchive = 9

wdFormatXML = 11

wdFormatXMLDocument = 12

wdFormatXMLDocumentMacroEnabled = 13

wdFormatXMLTemplate = 14

wdFormatXMLTemplateMacroEnabled = 15

wdFormatXPS = 18

照着字面意思应该能对应到相应的文件格式。

docx模块使用

1、新建或打开文件。这个比较简单用docx的Document类，若指定路径则是打开文档；若没有指定路径则是新建文档#coding:utf-8

import docx

doc_new = docx.Document() #新建文档

doc = docx.Document(ur'C:\1.docx')#读取文档

2、保存文件。有打开，就有保存。用Document类的save方法，其中参数是保存的文件路径，或者要保存的文件流。一般指定路径即可。

doc.save(path_or_stream)

3、对象集合。python-docx包含了word文档的相关对象集合。doc.paragraphs#段落集合

doc.tables#表格集合

doc.sections#节  集合

doc.styles#样式集合

doc.inline_shapes#内置图形 等等...

4、插入段落。段落是word最基本的对象之一。doc.add_paragraph(u'第一段',style=None)#插入一个段落，文本为“第一段”#默认是不应用样式，这里也可以不写style参数，或者指定一个段落样式

doc.add_paragraph(u'第二段',style='Heading 2')#这些样式都是word默认带有的样式，可以直接罗列出来有哪些段落样式

print[s.nameforsindoc.stylesifs.type==1]

5、新增样式。这个帮助文档里面说得不仔细，而且还是英文的。我手头上的项目用到这个，就自己琢磨出怎么使用，如下。#coding:utf-8

from docx import Document

from docx.shared import RGBColor#这个是docx的颜色类

doc = Document()#新建文档

style = doc.styles.add_style('style name 1',2)#新增样式(第一个参数是样式名称，第二个参数是样式类型：1代表段落；2代表字符；3代表表格)

style.font.color.rgb = RGBColor(0x0,0x0,0xff)#设置具体样式(修改样式字体为蓝色，当然还可以修改其他的，大家自己尝试)

6、应用字符样式。字符自然是在段落里面的，可以采用下面方法给段落追加文字和设置字符样式。

#插入一个空白段落

p = doc.add_paragraph('')

p.add_run('123', style="Heading 1 Char")

p.add_run('456')

p.add_run('789', style="Heading 2 Char")

#这样一个段落就应用了两个字符样式，中间“456”就没应用样式

printp.text#输出结果是u'123456789' 也还是连续的

7、设置字体。当然可以不用通过设置样式对某些字进行设置，也可以直接设置。

p = doc.add_paragraph('')

r = p.add_run('123')

r.font.bold =True#加粗

r.font.italic =True#倾斜 等等...

8、表格操作。表格也是经常用到的一种对象类型。#新建一个2x3的表格，style可以不写

table=doc.add_table(rows=2,cols=3,style=None)#可以用table 的rows和columns得到这个表格的行数和列数

printlen(table.rows)

printlen(table.columns)#遍历表格

for row in table.rows:

row.cells[0].text ='1'#

print row.cells[0].text#新增行或列

table.add_row()

table.add_column()