2019独角兽企业重金招聘Python工程师标准>>> 
在linux上用PHP读取WORD文档，其实是使用了 antiword程序把word文档转化为txt文档。
再使用php执行系统命令调用而已。
具体操作如下：
1、安装antiword
官方站：http://www.winfield.demon.nl/
下载地：http://www.winfield.demon.nl/linux/antiword-0.37.tar.gz
下载完，解压，进入目录
tar xvzf antiword-0.37.tar.gz
cd antiword-0.37
make && make install
即可完成安装。
安装时，自动安装到了/root/目录下，只有root才可执行该命令，我们需要改一下路径，COPY到/usr中方便调用。
cp /root/bin/*antiword /usr/local/bin/
mkdir /usr/share/antiword
cp -R /root/.antiword/* /usr/share/antiword/
chmod 777 /usr/local/bin/*antiword
chmod 755 /usr/share/antiword/*
以上操作以后即可在任意用户调用 antiword命令。
linux 平台转换txt：
# coding:utf-8
#!/user/bin/python
import subprocess
import tempfile
def chang2txtbyantiword(fpath, tpath):
"""通过antiword读取doc,需要安装antiword,目前仅用于linux(详情见:http://www.winfield.demon.nl)
wget http://www.winfield.demon.nl/linux/antiword-0.37.tar.gz
tar -xvf antiword-0.37.tar.gz
cd antiword-0.37
make && make install
@param fp: 相对文件路径"""
try:
com = "antiword -m UTF-8.txt -t " + fpath + " > "+ tpath
out_temp = tempfile.SpooledTemporaryFile(bufsize=10*1000)
fileno = out_temp.fileno()
obj = subprocess.Popen(com, shell=True,stdout=fileno,stderr=fileno)
output = obj .wait()
out_temp.seek(0)
lines = out_temp.readlines()
if output == 0: # 执行成功
return True
return False
except:
return False
finally:
if out_temp:
out_temp.close()
a = "/data/appsystems/appSvr00/media/upload/doc/20170510/71d60eb8-3564-11e7-995c-000c29eb773f.doc"
b = "/data/appsystems/appSvr00/media/upload/txt/20170510/71d60eb8-3564-11e7-995c-000c29eb773f.txt"
chang2txtbyantiword(a, b)
直接读取doc文件：
# -*- encoding: utf8 -*- import subprocess output = subprocess.check_output(["antiword", "test.doc"])
windows doc转docx：
# coding:utf-8
#!/user/bin/python
def changedoc2docxbywin32(fpath, tpath):
"""把doc文件转换为docx因为用到win32com,所以仅支持windows系统
@param fpath: 文件绝对路径,不能包含中文
@param tpath: 文件绝对保存路径,不能包含中文"""
try:
from win32com import client
import pythoncom
pythoncom.CoInitialize()
word = client.DispatchEx('Word.Application') # 独立进程
word.Visible = 0 # 不显示
word.DisplayAlerts = 0 # 不警告
doc = word.Documents.Open(fpath)
doc.SaveAs(tpath, 12) # 参数16是保存为doc,转化成docx是12
doc.Close()
word.Quit()
return True
except:
if doc:
doc.Close()
word.Quit()
return False
读取docx和txt
# coding:utf-8
# !/user/bin/python
import os
from docx import Document
def readDocx(docName, separated_rows=0, addStr=''):
"""获取docx的文档中的所有文字,不管格式,暂不支持doc格式每line行
@param separated_rows: int 相隔行数
@param addStr: str 追加的字符
"""
TotalPage = 1 # 页数
extension = os.path.splitext(docName)[1] # 文件后缀名
separated_rows = int(separated_rows) # 需要隔separated_rows行追加字符
if extension == ".txt":
with open(docName) as f:
if separated_rows != 0: # 需要隔行追加字符
docText = '
'.join(
paragraph + addStr if index % separated_rows == 0 else paragraph for index, paragraph in
enumerate(f))
docText = docText.replace(addStr, "", 1) # 第一行不需要分页符
TotalPage = docText.count(addStr) + 1 # 页数统计
else:
docText = '
'.join(paragraph for paragraph in f) # 生成迭代器,然后加入回车换行,比起生成列表需要更少内存,此情况迭代器的括号可省略
elif extension == ".docx":
paras = Document(docName)
if separated_rows != 0: # 需要隔行追加字符
docText = '
'.join(
paragraph.text.encode('utf-8') + addStr if index % separated_rows == 0 else paragraph.text.encode(
'utf-8') for index, paragraph in enumerate(paras.paragraphs))
docText = docText.replace(addStr, "", 1) # 第一行不需要分页符
TotalPage = docText.count(addStr) + 1 # 页数统计
else:
docText = '
'.join(paragraph.text.encode('utf-8') for paragraph in
paras.paragraphs) # 生成迭代器,然后加入回车换行,比起生成列表需要更少内存,此情况迭代器的括号可省略
else:
docText = ""
return docText, TotalPage