如何使用Python读取Azure Blob中的docx文件？解决乱码问题

问题原因 #

DOCX不是纯文本格式，本质是ZIP压缩的二进制文件，直接用utf-8解码二进制内容必然出现不可读字符；而TXT是纯文本格式，所以你的代码处理TXT正常。

解决方案 #

需要先获取文件的二进制内容，再用专门的DOCX解析库提取文本，推荐使用python-docx库。

步骤1：安装依赖库

pip install python-docx

步骤2：修改代码读取DOCX内容

from docx import Document
from io import BytesIO
from azure.storage.blob import BlobServiceClient

# 初始化Blob服务客户端
blob_service_client_instance = BlobServiceClient(account_url=STORAGEACCOUNTURL, credential=STORAGEACCOUNTKEY)
blob_client_instance = blob_service_client_instance.get_blob_client(container_name, blob_name, snapshot=None)

# 下载二进制内容到BytesIO对象
blob_download = blob_client_instance.download_blob()
blob_content = blob_download.readall()
docx_file = BytesIO(blob_content)

# 解析DOCX并提取文本
doc = Document(docx_file)
full_text = []
for para in doc.paragraphs:
    full_text.append(para.text)
docx_content = '\n'.join(full_text)

print(docx_content)

说明 #

• BytesIO用来将二进制内容模拟成文件对象，满足python-docx的读取要求
• 通过遍历文档段落提取文本，可完整获取DOCX中的纯文本内容

内容的提问来源于stack exchange，提问作者Satish Barnala