我想将 word 文档转换为文本。所以我用了一个脚本。
import win32com.client
app = win32com.client.Dispatch('Word.Application')
doc = app.Documents.Open(r'C:\Users\SBYSMR10\Desktop\New folder (2)\GENERAL DATA.doc')
content=doc.Content.Text
app.Quit()
print content
我有以下结果：
现在我想将此文本转换为包含其所有项目的列表。我用过
content = " ".join(content.replace(u"\xa0", " ").strip().split())
编辑
当我这样做时，我得到：
它不是一个列表。问题是什么？那个大点字符是什么？
【问题讨论】：
Word 文档不是文本，它们是文档：它们具有控制信息（如格式设置）和文本。如果忽略控制信息，文本就毫无用处。
因此，您必须深入了解如何导航文档的控制结构以找到您感兴趣的文本，然后获取该结构的文本内容。
注意：您会发现 Word 非常复杂。如果可以，请同时考虑以下两种方法：
在 Word 中将 Word 文档另存为 HTML。它会丢失一些格式，但列表将保持不变。 HTML 比 Word 更易于解析和理解。
将文档保存为 OOXML（至少从 Office 10 开始存在，扩展名为 .docx）。这是一个包含 XML 文档的 ZIP 存档。 XML 再次比完整的 Word 文档更容易解析/理解，但比 HTML 版本更难。
【讨论】：
<ul><li>a</li><li>b</li></ul>。正文是ab。如果忽略文档结构，如何知道哪些字符属于哪个项目？
ord()）然后使用该字符拆分字符串（使用unichr()进行转换将代码转换为字符串）。这适用于没有嵌套列表的非常简单的 word 文档。
现在我想将此文本转换为包含其所有项目的列表。我用过
content = " ".join(content.replace(u"\xa0", " ").strip().split())
它不是一个列表。有什么问题？
.join 方法always returns a string。它希望您传递一个列表，然后将该列表与给定的分隔符（在您的情况下为“”）连接起来。
除此之外，Aaron Digulla 所说的。
【讨论】：
在此链接及其 cmets 中查看此帖子：Converting Word documents to text (Python recipe)
这个帖子也可能有用：python convert microsoft office docs to plain text on linux
【讨论】：
你可以逐行解析word文档。它并不优雅，当然也不漂亮，但它确实有效。这是我在 python 3.3 中完成的类似操作的 sn-p。
import os
directory='your/path/to/file/'
file='yourword.doc'
doc=open(directory+file,'r+b')
for line in doc:
line2=str(line)
print(line2))
我使用正则表达式来获得我需要的东西。但是此代码将读取您的 word 文档的每一行（格式和所有内容）并将其转换为您可以处理的漂亮字符串。不确定这是否有帮助（这篇文章已有几年历史了），但至少它解析了 word 文档。然后，只需在写入 txt 文件之前删除您不想要的字符串即可。
【讨论】：