Python2 获取docx/doc文件内容

整体思路：

下载文件并修改后缀为ｚｉｐ文件，解压ｚｉｐ文件，所要获取的内容在固定的文件夹下：work/temp/word/document.xml

所用包，全部是ｐｙｔｈｏｎ自带，不需要额外下载安装．

# encoding:utf-8
import os
import re
import requests
import zipfile
import xml.dom.minidom

newfile = 'test.docx'

def create(newfile):
    """下载docx文件，并修改后缀为zip"""
    res = requests.get('https://www.cqjbfy.gov.cn/publiccenter/splc/mb/splc_gginfo.asp?newsid=28949')

    if not os.path.exists(newfile):
        f = open(newfile, 'wb')
        for chunk in res.iter_content(100000):
            f.write(chunk)
        f.close()

    os.rename(newfile, 'test.zip')    这种方法发现只能解决一部分doc文件,具体原因不得而知,有明白的欢迎留言
    # 将doc/docx文件压缩成ｚｉｐ文件
    #pf = zipfile.ZipFile('test.zip', 'w', zipfile.ZIP_STORED)　
    #pf.write(newfile)
def get_txt():
    """解压zip，并在work/temp/word/document.xml获取文本内容，进行正则替换标签等操作"""
    f = zipfile.ZipFile('test.zip', 'r')
    for file in f.namelist():
        f.extract(file, "temp/")
f = xml.dom.minidom.parse('./temp/word/document.xml')
txt = re.sub(r'</w:t></w:r></w:p>', '\n', f.toxml())
    print re.sub(r'<.*?>', '', txt)
if __name__ == '__main__':
    create(newfile)
    get_txt()

pasting