Python读取Word 97-2003版.doc文件时OpenOffice生成文件无法匹配字符串怎么办

问题原因 #

直接读取.doc后缀的二进制文件作为纯文本检索的方式本身不具备通用性：微软Word生成的Word 97-2003格式文件中，明文内容存在连续存储的片段，因此可以被直接读取匹配；但OpenOffice生成的同格式文件采用OLE2复合文档结构存储，文本内容和格式元数据混排、部分采用UTF-16等编码存储，直接读取无法拿到完整的明文内容，因此匹配失败。

解决方案 #

使用专门处理.doc格式的工具解析出文件的纯文本内容后再进行检索，推荐两种可行实现：

方案1：使用textract库跨平台解析 #

textract会自动调用底层解析工具适配不同来源的.doc文件，使用步骤如下：

1. 安装对应平台的依赖工具：
   • Windows：下载安装antiword并添加到系统环境变量
   • Linux：执行apt install antiword
   • Mac：执行brew install antiword
2. 安装Python依赖：pip install textract
3. 修改代码如下：

import re
import textract

def procura_dentro_txt(file):
    # 解析doc文件获取纯文本
    text = textract.process(file, extension='doc').decode('utf-8', errors='ignore')
    for match in re.finditer(pattern, text):
        mostraResultado(match.group(), file, pattern)

方案2：Windows平台调用本地Word解析 #

如果是Windows环境且已经安装了微软Office，可以直接调用本地Word程序解析，不需要额外安装其他工具，代码如下：

import re
import os
import win32com.client

def procura_dentro_txt(file):
    word = win32com.client.Dispatch("Word.Application")
    word.Visible = False
    try:
        doc = word.Documents.Open(os.path.abspath(file))
        text = doc.Content.Text
        doc.Close()
        for match in re.finditer(pattern, text):
            mostraResultado(match.group(), file, pattern)
    finally:
        word.Quit()

注意事项 #

不要直接把二进制格式的.doc文件当纯文本文件打开读取，该方式仅对少量特殊生成的文件有效，不具备通用性。

内容的提问来源于stack exchange，提问作者user251929Fdantas