大批量.doc文件转.docx：寻求更快的转换方案

针对120万个.doc文件的转换需求，win32com单线程调用Word的模式效率过低（每秒仅1-2个），可以从以下几个方向优化提升速度：

一、多进程并行调用Word实例 #

Word的COM接口单实例为单线程运行，启动多个独立的Word进程并行处理能突破单实例的性能瓶颈，大幅提升转换效率。每个进程负责处理一部分文件，避免单进程的资源限制。

示例代码（基于multiprocessing实现）：

import os
import glob
import win32com.client
from multiprocessing import Pool

def convert_single_file(doc_path):
    try:
        word = win32com.client.Dispatch("Word.Application")
        word.Visible = 0
        word.DisplayAlerts = 0  # 禁用所有弹窗提示
        word.AutomationSecurity = 3  # 关闭宏安全提示
        
        in_file = os.path.abspath(doc_path)
        # 以只读模式打开，禁止添加到最近文件列表
        doc = word.Documents.Open(in_file, ReadOnly=True, AddToRecentFiles=False)
        out_file = in_file + "x"
        doc.SaveAs2(out_file, FileFormat=16)
        doc.Close()
        word.Quit()
        os.remove(in_file)
        return f"成功转换: {doc_path}"
    except Exception as e:
        return f"转换失败 {doc_path}: {str(e)}"

def convert_doc_to_docx_parallel():
    target_dir = "sampledir"
    doc_files = glob.glob(os.path.join(target_dir, "*.doc"))
    total_files = len(doc_files)
    print(f"待转换文件总数: {total_files}")
    
    # 根据CPU核心数设置进程数，建议4-8个（避免Word进程过多耗尽系统资源）
    with Pool(processes=4) as pool:
        results = pool.map(convert_single_file, doc_files)
    
    # 统计转换结果
    success_count = sum(1 for res in results if "成功转换" in res)
    print(f"转换完成: {success_count}/{total_files} 个文件成功")

if __name__ == "__main__":
    convert_doc_to_docx_parallel()

二、使用LibreOffice命令行工具（推荐） #

LibreOffice的无头模式（headless）比Word更轻量，启动和转换速度更快，适合超大量文件的批量处理，且无需依赖Word环境，跨平台兼容性更好。

操作步骤： #

1. 安装LibreOffice，并确保soffice命令已加入系统环境变量PATH
2. 通过Python调用subprocess分批次执行转换命令，避免单次处理文件过多导致参数过长：

示例代码：

import os
import glob
import subprocess

def convert_with_libreoffice():
    target_dir = "sampledir"
    doc_files = glob.glob(os.path.join(target_dir, "*.doc"))
    batch_size = 100  # 每批次处理100个文件，可根据系统性能调整
    
    for i in range(0, len(doc_files), batch_size):
        batch = doc_files[i:i+batch_size]
        # 构造转换命令
        cmd = [
            "soffice",
            "--headless",
            "--convert-to", "docx",
            "--outdir", target_dir
        ] + batch
        try:
            subprocess.run(cmd, check=True, capture_output=True)
            # 删除原.doc文件（可选操作）
            for file_path in batch:
                if os.path.exists(file_path):
                    os.remove(file_path)
            print(f"完成批次 {i//batch_size +1}: {len(batch)} 个文件")
        except subprocess.CalledProcessError as e:
            print(f"批次 {i//batch_size +1} 失败: {e.stderr.decode('utf-8')}")

if __name__ == "__main__":
    convert_with_libreoffice()

三、优化原有win32com代码（小幅度提升） #

如果必须依赖Word环境，可通过调整Word的运行参数减少不必要的开销：

优化后的单线程代码：

import os
import glob
import win32com.client

def convert_doc_to_docx_optimized():
    target_dir = "sampledir"
    # 仅统计.doc文件，避免无效计数
    doc_files = glob.glob(os.path.join(target_dir, "*.doc"))
    total_files = len(doc_files)
    
    word = win32com.client.Dispatch("Word.Application")
    word.Visible = 0
    word.DisplayAlerts = 0  # 关闭所有提示弹窗
    word.AutomationSecurity = 3  # 禁用宏安全提示
    word.Options.SaveInterval = 0  # 关闭自动保存
    word.Options.ScreenUpdating = False  # 禁用屏幕更新
    
    for i, doc_path in enumerate(doc_files, 1):
        in_file = os.path.abspath(doc_path)
        wb = word.Documents.Open(in_file, ReadOnly=True, AddToRecentFiles=False)
        out_file = in_file + "x"
        wb.SaveAs2(out_file, FileFormat=16)
        wb.Close()
        os.remove(in_file)
        print(f"{i} von {total_files} Dateien bearbeitet!")
    
    word.Quit()

if __name__ == "__main__":
    convert_doc_to_docx_optimized()

注意事项： #

• 多进程方案中，进程数不宜超过CPU核心数的2倍，避免系统资源过载导致Word进程崩溃。
• LibreOffice方案对复杂格式（如宏、特殊域）的兼容性略逊于Word，建议先测试小批量文件验证转换效果。
• 无论采用哪种方案，建议先备份原文件，避免转换失败导致数据丢失。

内容的提问来源于stack exchange，提问作者Zergoholic