萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網路程式設計 >> 程式語言綜合

Python 讀取 Word 文檔的完整指南:使用 win32com 實現自動化轉換

本文詳細介紹如何使用 Python 的 win32com 模組讀取並轉換 Microsoft Word 文檔(.doc/.docx)為純文字或其他格式。透過 COM 自動化介面操作 Word 應用程式,適合 Windows 環境下的批次文件處理需求。

前置準備

首先安裝 pywin32 套件(包含 win32com):

pip install pywin32

基本轉換範例:Word 轉純文字

以下程式碼開啟 Word 文件,另存為純文字(格式代碼 4 對應 wdFormatText),並關閉應用程式:

from win32com import client as wc

word = wc.Dispatch('Word.Application')
doc = word.Documents.Open(r'C:\test.docx')
doc.SaveAs(r'C:\test', 4)  # 4 = wdFormatText
doc.Close()
word.Quit()

注意: 儲存時若不指定副檔名,Word 會自動附加 .txt。若需以 Python 內建 open(..., 'r') 讀取,請確保使用格式代碼 4(而非 2)。

常用 Word 儲存格式代碼對照表

下表列出 SaveAs 方法常用的 FileFormat 參數值(部分代碼需 Office 2007 以上版本支援):

常數名稱代碼說明
wdFormatDocument0Word 97-2003 文檔 (.doc)
wdFormatDocumentDefault16預設格式 (.docx)
wdFormatText2純文字 (ANSI)
wdFormatDOSText4純文字 (DOS),適合 Python 讀取
wdFormatUnicodeText7Unicode 文字
wdFormatRTF6Rich Text Format (.rtf)
wdFormatHTML8HTML 格式,含 OLE 物件 (WMF)
wdFormatFilteredHTML10過濾後 HTML,較乾淨,公式轉 GIF
wdFormatPDF17PDF 格式
wdFormatXMLDocument12Word XML (.xml)

補充說明: wdFormatHTML (8) 會將公式等 OLE 物件存為 WMF 向量圖;wdFormatFilteredHTML (10) 則轉為 GIF 位圖,產出的 HTML 碼較精簡。

進階應用:批次處理與正則擷取

結合正則表達式,可從轉出的文字檔中擷取特定模式(如選項 A-D)、產出題目與答案檔:

import re
from win32com import client as wc

word = wc.Dispatch('Word.Application')
doc = word.Documents.Open(r'C:\test1.doc')
doc.SaveAs(r'C:\test1', 4)  # 轉純文字
doc.Close()
word.Quit()

# 讀取文字並擷取選項
with open(r'C:\test1.txt', 'r', encoding='utf-8') as f:
    text = f.read()

# 範例:找出 (A)、(B)等格式
pattern = r'(\(?\s*[A-D]\s*\)?)|(【\s*[A-D]\s*】)'
cleaned = re.sub(pattern, '()', text)

with open(r'C:\question.txt', 'a', encoding='utf-8') as qf:
    qf.write(cleaned)

# 擷取答案
answers = re.findall(pattern, text)
with open(r'C:\answeronly.txt', 'a', encoding='utf-8') as af:
    for idx, ans in enumerate(answers, 1):
        match = re.search(r'[A-D]', ans[0] or ans[1])
        if match:
            af.write(f'{idx} {match.group()}\n')

跨語言調用

同樣透過 COM 介面,PHP、C# 等語言亦可調用 Word API 實現相同功能,僅語法不同。

總結

  • 使用 win32com.client.Dispatch('Word.Application') 啟動 Word 實例。
  • 以 Documents.Open 開啟檔案,SaveAs 指定格式代碼轉換。
  • 處理完畢務必呼叫 Quit() 釋放資源,避免殘留進程。
  • 格式代碼 4 (wdFormatDOSText) 最適合後續 Python 文字處理。

掌握此技巧,即可自動化處理大量 Word 文檔轉檔、內容擷取等作業,大幅提升效率。

copyright © 萬盛學電腦網 all rights reserved