Python 读取.doc 文件并打印内容

要在 Python 中读取.doc 文件（注意：是旧版 Word 格式，即.doc，而非.docx）并打印内容，可以使用 antiword 工具配合 Python 调用，或者使用 textract 库（它会自动依赖 antiword）。以下是两种常用方法：

方法 1：使用 textract 库（推荐，简化操作）

textract 是一个多功能文本提取库，支持.doc、.docx、.pdf 等多种格式，但需要先安装依赖工具。

步骤

1. 安装依赖工具（必做）：
   • Windows：需要安装 antiword（用于解析.doc），下载地址：antiword for Windows，并将安装路径添加到系统环境变量 PATH 中。
   • macOS：brew install antiword
   • Linux：sudo apt-get install antiword

读取并打印.doc 内容：

import textract

text = textract.process("你的文件路径.doc", encoding='utf-8')
# 转换为字符串并打印
print(text.decode('utf-8'))

安装 Python 库：

pip install textract

方法 2：直接调用 antiword（更底层）

如果 textract 安装有问题，可以直接通过 Python 的 subprocess 模块调用 antiword 工具。

步骤：

1. 先安装 antiword（同方法 1 的步骤 1）。

Python 代码：

import subprocess

def read_doc_file(file_path):
    try:
        # 调用 antiword 命令解析.doc 文件
        result = subprocess.run(['antiword', file_path], stdout=subprocess.PIPE, stderr=subprocess.PIPE, text=True, encoding='utf-8')
        # 输出内容
        return result.stdout
    except Exception as e:
        return f"读取失败：{str(e)}"

# 使用示例
doc_content = read_doc_file("你的文件路径.doc")
print(doc_content)

注意事项

• .doc 是二进制格式，解析难度比.docx 大，上述方法依赖 antiword 工具，确保工具正确安装并配置环境变量。
• 如果是.docx 文件（新版 Word），推荐使用 python-docx 库（更简单，无需额外工具）。