doc文件和docx文件的区别

这部分参考了这个知乎链接: doc文件和docx文件的区别.的介绍，我自己暂时用到理解就是doc文件格式是以前word版本才使用的文件格式。
前提：
安装两个工具包，安装命令：
pip install python-docx
python -m pip install pypiwin32

代码实现

def doc_to_docx(file_dir):
    docfiles = []
    for root, dirs, files in os.walk(file_dir):
        for file in files:
            if os.path.splitext(file)[1] == '.doc':
                docfiles.append(os.path.join(root, file))
        word = wc.Dispatch("Word.Application")  # 打开word应用程序
        for docfile in docfiles:
            doc = word.Documents.Open(docfile)  # 打开word文件
            doc.SaveAs('{}x'.format(docfile), 12)  # 另存为后缀为".docx"的文件，其中参数12指docx文件
            doc.Close()  # 关闭原来word文件
            os.remove(docfile)
        word.Quit()
        print("完成！")

首先要导入win32的API包

from win32com import client as wc

接着，去到word文件夹里面去找到对应的doc格式的文件，其中os.path.splitext()方法切割文件名方便匹配对应格式文件

docfiles = []
    for root, dirs, files in os.walk(file_dir):
        for file in files:
            if os.path.splitext(file)[1] == '.doc':  #切分文件名，匹配相应格式的文件
                docfiles.append(os.path.join(root, file))

解释一下，for root, dirs, files in os.walk(file_dir):
三个变量分别是什么：

然后，使用win32API接口打开word应用程序，开始文件格式的转换，这里记录一下document.savaAs2的转换方法的后缀格式参数有哪些，参考官方链接链接: saveAS方法参数.

这里特别注意 doc.SaveAs(filename, 16)方法里面，必须第一个参数重新给定的文件名的格式后缀必须和后面数字参数给定的格式匹配，否则会报错。而且filename是指包含了源路径的文件路径名。

        word = wc.Dispatch("Word.Application")  # 打开word应用程序
        for docfile in docfiles:
            doc = word.Documents.Open(docfile)  # 打开word文件
            doc.SaveAs2('{}x'.format(docfile), 12)  # 另存为后缀为".docx"的文件，其中参数12指docx文件
            doc.Close()  # 关闭原来word文件
            os.remove(docfile)
        word.Quit()

问，将大象放进冰箱需要几步？

啊呸，串场了。将doc文件转为txt文件需要几步?

答：需要两步，

1.先将doc转为docx。因为python-docx只能处理docx的文件，而无法处理doc文档。docx本质是xml文件比doc更小些。这里需要的包为win32com，如果没有，则pip即可。

import os
from win32com import client as wc
from docx import Document
from tqdm import tqdm
def doc2docx(origin_path, goal_path):
    """
    将doc转为docx
    """
    word = wc.Dispatch("Word.Application")
    # 不能用相对路径，用绝对路径
    # 需要处理的文件所在文件夹目录
    for i in os.listdir(origin_path):
        # 找出文件中以.doc结尾并且不以~$开头的文件（~$是为了排除临时文件的）
        if i.endswith('.doc') and not i.startswith('~$'):
            print(i)
            doc_path = os.path.join(origin_path, i)
            doc = word.Documents.Open(doc_path)
            # 将文件名与后缀分割
            rename = os.path.splitext(i)
            # 将文件另存为.docx
            save_path = os.path.join(goal_path, rename[0] + '.docx')
            doc.SaveAs(save_path, 12)  # 12表示docx格式
            doc.Close()
    word.Quit()

2.将docx转为txt文本。这些需要python-docx，如果没有则pip就好。

import os
from win32com import client as wc
from docx import Document
from tqdm import tqdm
def docx2txt(path):
    """
    将docx转为txt
    """
    txt_count = 1
    for i in os.listdir(path):
        if i.endswith('.docx') and not i.startswith('~$'):
            file_path = os.path.join(path, i)
            document = Document(file_path)
            txt_path = os.path.join(path, str(txt_count)+'.txt')
            f = open(txt_path, 'w', encoding='utf-8')
            for paragraph in tqdm(document.paragraphs):
                f.write(paragraph.text.strip()+'\n')
            f.close()
            txt_count += 1

有一个需求，就是要批量的读取doc文件，并且处理里面的文字

我们首先想到的方式是使用python进行文档的读取。但是通过实操发现，python并没办法处理doc的word文档，必须将doc文件转换成docx文件才能进行处理。下面就分享下操作的过程，亲测可用！

【python包安装】win32com

【操作平台】anaconda3

import os 
from win32com import client as wc
word = wc.Dispatch('Word.Application')
#将docx文件保存的路径
docxPath = 'D:\\wyj\\技术文档\\python-doc文件转换成docx文件\\docx'
#doc文件路径
path = "D:\\wyj\\技术文档\\python-doc文件转换成docx文件"
'''
获取doc文件名，创建docx文件路径
'''
def getFileName(path):
    filesList = []
    for root, dirs, files in os.walk(path):  
        isExists=os.path.exists(docxPath)
        #新建docx文件夹
        if not isExists :
            os.makedirs(docxPath)
        for file in files:
            #判断尾缀是不是doc
            suffix = file.split('.')[1]
            if suffix == 'doc':
                filesList.append(file)
        print(filesList)
        return filesList
'''
将doc文件转换成docx文件
'''
def docToDocx(fileNameList):
    try:
        for fileName in fileNameList:
            print("开始处理     文件名："+fileName)
            doc = word.Documents.Open(path+'\\'+fileName)
            #[:-4]的意思是选这个字符串从开始到最后倒数第4位（不含）
            docxNamePath = docxPath+'\\'+fileName[:-4]+'.docx'
            print('转换完成！'+docxNamePath)
            doc.SaveAs(docxNamePath, 12, False, "", True, "", False, False, False, False)
            
    finally:
        #一定要记得关闭docx，否则会出现文件占用
        doc.Close()    
try:
    fileNameList = getFileName(path)
    docToDocx(fileNameList)
finally:
    word.Quit()

经过这一番操作，doc文档就能转换成docx文档了，如何读取docx文档的内容，我会在后边的文章中展示给大家！