标签:UTF Python doc chunk 文档 BOM file path txt
目录
目录下所有doc文档转txt,本来想直接用SaveAs规定转存编码格式,但是得到的是带BOM的UTF-8格式,所以又加了个去BOM的过程。
doc转txt
得到带BOM的UTF-8:
import os
import sys
import codecs
import fnmatch
import win32com.client
PATH = os.path.abspath(os.path.dirname(sys.argv[0]))
doc_path = PATH + '/data/doc/'
txt_path = PATH + '/data/txt/'
def convert_dir_to_txt():
"""
将默认整个文件夹下的文件都进行转换
:return:
"""
for root, dirs, files in os.walk(doc_path):
for _dir in dirs:
pass
for _file in files:
if fnmatch.fnmatch(_file, '*.doc'):
store_file = txt_path + _file[:-3] + 'txt'
elif fnmatch.fnmatch(_file, '*.docx'):
store_file = txt_path + _file[:-4] + 'txt'
word_file = os.path.join(root, _file)
dealer.Documents.Open(word_file)
try:
dealer.ActiveDocument.SaveAs(store_file, FileFormat=7, Encoding=65001)
except Exception as e:
print(e)
dealer.ActiveDocument.Close()
dealer = win32com.client.gencache.EnsureDispatch('Word.Application')
convert_dir_to_txt()
UTF-8去BOM
限制一次阅读量(因为BOM只在最开头,所以不需要遍历整个文件):
BUFSIZE = 4096
BOMLEN = len(codecs.BOM_UTF8)
在convert_dir_to_txt函数的末尾增加去BOM的代码段:
for root, dirs, files in os.walk(txt_path):
for _dir in dirs:
pass
for _file in files:
path = txt_path+_file
try:
with open(path, "r+b") as fp:
chunk = fp.read(BUFSIZE)
if chunk.startswith(codecs.BOM_UTF8):
i = 0
chunk = chunk[BOMLEN:]
while chunk:
fp.seek(i)
fp.write(chunk)
i += len(chunk)
fp.seek(BOMLEN, os.SEEK_CUR)
chunk = fp.read(BUFSIZE)
fp.seek(-BOMLEN, os.SEEK_CUR)
fp.truncate()
except Exception as e:
print(e)
完事儿。
参考:
第一部分doc转带BOM的UTF-8参考博文:使用python将doc文件转为utf8编码格式的txt
标签:UTF,Python,doc,chunk,文档,BOM,file,path,txt 来源: https://blog.csdn.net/meiyanwan/article/details/122652969
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。