解决python大批量读写.doc文件的问题

前言：

java语言读写.doc的出现乱码问题：

大家都知道当我们利用java语言读写.doc文件时，无论是利用流的方式将.doc文件的内容输出到控制台(console)，还是将其写到其他文件中，无论你采取何种编码格式（utf-8，gbk等）输出，你看到的内容99％都是乱码。

java语言读写.doc的出现乱码问题原因分析：

.doc文件是微软开发的用于办公的编辑文字的软件之一，如果说一篇word文档的字体格式采用的是utf-8，那么你采用utf-8格式读写该文档，应该能够正确输出汉字，但是一旦你的word文档里面的字体的尺寸改变，字体加上颜色属性，字体加上某种style时，那么本篇word文档的格式就变了，而不再是utf-8，因此采用utf-8格式输出99％都是乱码。

利用java语言读写.doc文档避免乱码的解决方案：(sun公司pk微软公司)

可以利用sun公司开发的poi包，该包提供修改微软办公软件的接口，利用poi包读写.doc文件，通常就不会产生乱码。如果看到这里你就大概认为，我终于可以利用java去处理.doc文件了，那么我想说的是，你开心的太早了。据我所知，截止到2017年12月22日，poi包的最新版本是3.1.7版，你也许对该版本没有什么概念，3.1.7版本的poi包只能处理微软2007版本的word，excel，ppt等，也就是说poi3.1.7版本的jar包不支持处理咱们电脑上顶配的word2016，因此可以说你可以放弃使用java读写word2016了。但是你也可以尝试用其他的接口去处理word,但是效率都不会比poi接口高，幸运的是，官网显示poi最新版本将在2017年12月份推出，但是截止到2017年12月22日，我还没有在官网看到此jar包。

正文：

python在处理文档的语言处理方面比java更胜一筹，毕竟python结合正则表达式在自然语言处理方面还是很强势的。最近在做深度学习的项目，需要解析并处理几百个数量级的.doc文件。众所周知，python读写.txt文档可以说一路畅通无阻，不管你中文是什么格式；python在读写.docx文档时，也比较畅通，最多你需要在命令行安装python-docx (0.8.6)，就可以读写.docx文档了，具体读写方案，下述。

问题：python无法读取.doc文件（而不是.docx文件）

解决方案：利用python将大批.doc文件转化为.docx文件，再读写.docx文件

问题分析：python利用python-docx (0.8.6)库可以读取.docx文件或.txt文件，且一路畅通无阻，而对.doc文件本身python是无能为力的，那有很多同学就不服气，我手动把.doc文件的后缀名改为.docx或.txt不就解决问题了吗？答案是不能的，简单修改后缀名，那么文件就被你玩坏了，别说打不开，就是打开也是天书啊（乱码）。python无法操作.doc文件是他的先天不足，但是我们不要钻牛角尖一定要在互联网上找到一种源码直接读取.doc文件，一调用就好了，但是不幸的是，你可能在网上也找不到解决方案。正当我一筹莫展之时，我将.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，于是我就尝试利用代码方式完成这个手动的“另存为”功能，问题得以解决。

直接上python代码（首先你需要先安装pypewin32库）：

# -*- coding: utf-8 -*-：
import sys
import pickle
import re
import codecs
import string
import shutil
from win32com import client as wc

def doSaveAas(): # 想批处理文件，你就用for循环呗，我一次性处理了100多个文件，代码执行不超过2分钟，可以解决问题，目标文件路径可以自由改动，大家注意SaveAs方法中的参数，好多啊，别写错了

word = wc.Dispatch('Word.Application')
doc = word.Documents.Open(u'C:\\Users\\X\\PycharmProjects\\1\\大家好.doc')  # 目标路径下的文件
doc.SaveAs(u'C:\\Users\\X\\PycharmProjects\\1\\我是一枚小小的程序员X007.docx', 12, False, "", True, "", False, False, False, False) # 转化后路径下的文件
doc.Close()
word.Quit()

转化为.docx文件后，在处理.docx文件，一路畅通无阻，网上很多解决方案，这里我就不详细说了，有问题，可以给我留言哟

来源：https://blog.csdn.net/X21214054/article/details/78873338