Python: Microsoft Wordファイル(*.doc)のテキストデータ抽出 – pywin32, win32com

2014/9/8 Python

Microsoft Office Wordファイルの検索クローラをPythonで作成する際、表題の通り、*.docからテキストデータに変換する必要がある。本記事ではwin32comライブラリを用いてPythonスクリプトからWordファイルのテキストデータを抽出するスクリプトを紹介する。
(尚、世には多数のOfficeファイルコンバーターが有るので、このソースを使うことが最適とは限らない)

ソースコード

エラーハンドリングは必要最低限である為、扱うファイル特性に応じて追加が必要な場合もある。

# coding: Shift_JIS
import win32com.client
def word2text(file_path):
    text = ""
    doc = win32com.client.gencache.EnsureDispatch("Word.Application")
    doc.Visible = False # アプリで開かない
    doc.DisplayAlerts = False # 警告OFF
    try:
        doc_file = doc.Documents.Open(file_path, False, True) # 変換ダイアログ非表示、読み取り専用で開く
        for s in doc_file.Sentences:
            text += str.rstrip(str(s)) + "\n"
        doc_file.Close()
    finally:
        doc.Quit()
    return text
def main():
    print word2text('C:\サンプル\python_win32com.doc')
if __name__ == '__main__': main()

テスト対象ファイル

検証用サンプルファイル(doc)
※対象ファイルは当方でウィルスチェックしたものをアップロードしているが、不安な方は自前でサンプルを用意すると良い。(基本Webにある物は疑ってかかるのが良い)

実行環境

Windows7 (32bit), Python2.7.7, pywin32 219, Office 2003

実行結果

Word
わーど

参考サイト