python word转pdf linux_Linux下使用LibreOffice+python将doc/docx/wps格式的文档转成html/txt/docx等格式...

Linux下的word文档格式转换工具

最近接到一个需求，要将所有不同格式的文档(包括.doc/.docx/.wps)转成统一格式，如都转为.docx，或直接转为.html 或.txt。经调研后，发现有这样几款工具：

win32com

python-docx

pydocx

…

可能还有，我就不再赘述了。经过全面调研，我发现这些工具存在这样的问题——Python相关工具要么无法处理.doc(只能处理.docx)，要么要求必须在windows环境下使用(如win32com)。当前大家的生产环境一般都是Linux环境，更换win服务器会造成一系列的连带问题，比如其他库是否兼容等等，非常麻烦，所以找到.doc/.wps在Linux下的处理方式非常重要。还好，最后被我找到了，那就是LibreOffice

LibreOffice具体用法

首先，直接在命令行执行libreoffice --version，看看你是否已经安装此款工具。如果还没有安装，参考下文安装LibreOffice

安装完毕后，使用以下命令，对待转格式的文档进行格式转换，示例如下：

将.doc格式文档转为txt格式:

libreoffice --headless --convert-to txt path-to-your-doc.doc

你同样可以指定转换后的文件输出路径，也可以批量地将doc/docx/wps文件传给LibreOffice接口：

libreoffice --headless --convert-to html --outdir /your/output/dir /your/doc_docx_wps/files/*.{dosx,doc,wps}

使用python脚本执行格式转换

这个其实没什么玄乎的，就是用Python执行命令行而已：

import os

os.system("libreoffice --headless --convert-to txt path-to-your-doc.doc")

当然，如果你嫌这个接口的单进程速度太慢，你也可以用Python执行多进程启动转换：

import subprocess

import os, glob

from multiprocessing.dummy import Pool

def worker(fname, dstdir=os.path.expanduser("~")):

subprocess.call(["libreoffice", "--headless", "--convert-to", "pdf", fname], cwd=dstdir)

pool = Pool()

pool.map(