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


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。

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

参考サイト

関連記事 (Related Articles):


コメントを残す