【script】python实现多线程将doc、docx转pdf，doc转docx
摘要
本文讲述通过python实现多线程将当前目录下的 .doc文档转.pdf、.docx文档转.pdf，以及.doc文档转.docx（在python中，如需对word文档进行读写，只能读写docx格式的word文档）。
其中涉及到的知识点有如下几点：
- 通过win32com模块对office文档进行格式转化
- 多线程的应用及控制
模块说明
- threading：线程应用模块
- pythoncom：处理word应用，使其独立运行的api接口模块
- win32com：office文档处理模块，通过 “pip install pypiwin32” 安装
import os, re
import threading
import pythoncom
from win32com.client import DispatchEx
定义main部分
代码分析
- 在多线程程序中，因电脑性能不同，需控制线程最大并发数。以下为控制线程最大并发数的代码，用到 threading.Semaphore() 方法
semaphore = threading.Semaphore(12)
- 定义线程锁。不同线程之间可能在输出面板同时输出，造成输出紊乱，如：
线程1将输出：
who am i in thread 1
i am A
线程2将输出：
who am i in thread 2
i am B
线程同时运行时标准输出为：
who am i in thread 1
i am A
who am i in thread 2
i am B
而线程同时运行时可能输出：
who am i in thread 1
who am i in thread 2
i am B
i am A
以下为控制线程独立输出的代码，用到 threading.Lock() 方法
lock = threading.Lock()
- 遍历指定目录下所有文件，其中 file 为文件名，a 为该文件路径， c 为该文件同一文件夹下的所有文件集
for a, b, c in os.walk(pre):
for file in c:
- 判断文件名后缀是否含有 .doc ，是则为 .doc 或者 .docx 文件，否则不处理
if re.search('\.doc', file) != None:
- threading.Thread(target=, args=) 定义线程，target 参数指定线程运行的方法，args 参数传入运行方法的参数，start() 方法执行线程，DocToDocx和DocToPdf的作用下文中会具体说明
threading.Thread(target=WordConvertToOther.DocToDocx, args=(pre + file,)).start()
main代码
if __name__ == '__main__':
# 控制线程最大并发数为12
semaphore = threading.Semaphore(12)
# 线程锁
lock = threading.Lock()
# 当前脚本目录绝对路径
pre = os.path.realpath('./') + '\\'
for a, b, c in os.walk(pre):
for file in c:
if re.search('\.doc', file) != None:
# 将doc转存为docx
threading.Thread(target=WordConvertToOther.DocToDocx, args=(pre + file,)).start()
# 将doc、docx转存为pdf
# threading.Thread(target=WordConvertToOther.DocToPdf, args=(pre + file, )).start()
定义doc转docx函数
代码分析
- 使函数在最大线程限制下运行
with semaphore:
- 用 pythoncom.CoInitialize() 方法创建套间。pythoncom模块为线程和word对象创建一个套间，令其可以正常关联和执行。多线程运行office应用时需加入此模块方法，否则将出错，非多线程则不需要。之后的 pythoncom.CoUninitialize() 方法则用以释放套间资源
pythoncom.CoInitialize()
- 通过 DispatchEx(‘Word.Application’) 方法启动office应用程序，相当于在windows下打开office
word = DispatchEx('Word.Application')
- 通过 word.Documents.Open() 方法启动具体的某个文档文件
doc = word.Documents.Open(docpath)
- doc.SaveAs() 为将打开的doc存储为docx的主要方法。其中 re.sub 方法将路径中文件名的doc替换为docx，FileFormat 指定保存的文件格式，等于 12 保存为docx、等于 17 保存为pdf
doc.SaveAs(re.sub('.doc$', '.docx', docpath), FileFormat=12)
- 无论doc文档执行结果如何，都需让office应用程序关闭，否则将会在后台中继续运行，占用系统资源
word.Quit()
函数代码
def DocToDocx(docpath):
'''将doc转存为docx'''
with semaphore:
lock.acquire()
try:
# CoInitialize初始化,为线程和word对象创建一个套间，令其可以正常关联和执行
pythoncom.CoInitialize()
# 用DispatchEx()的方式启动MS Word或与当前已执行的MS Word建立连结
word = DispatchEx('Word.Application')
# 打开指定目录下doc文档
doc = word.Documents.Open(docpath)
# 将打开的doc文档存储为docx
doc.SaveAs(re.sub('.doc$', '.docx', docpath), FileFormat=12)
# 关闭doc文档
doc.Close()
except:
# 报错则输出报错文件
print(docpath + '：无法打开')
else:
# 无报错输出转换完成
print(os.path.basename(docpath) + " ： 转换完成")
finally:
# 关闭office程序
word.Quit()
# 释放资源
pythoncom.CoUninitialize()
lock.release()
定义doc转pdf函数
函数代码
这里与doc转docx类似，直接附上函数代码：
def DocToPdf(docpath):
'''将doc、docx转存为pdf'''
with semaphore:
lock.acquire()
try:
pythoncom.CoInitialize()
word = DispatchEx('Word.Application')
doc = word.Documents.Open(docpath)
doc.SaveAs(re.sub('\.doc.*', '.pdf', docpath), FileFormat=17)
doc.Close()
except:
print(docpath + '：无法打开')
else:
print(os.path.basename(docpath) + " ： 转换完成")
finally:
word.Quit()
pythoncom.CoUninitialize()
lock.release()
完整代码
import os, re
import threading
import pythoncom
from win32com.client import DispatchEx
class WordConvertToOther:
def DocToDocx(docpath):
'''将doc转存为docx'''
with semaphore:
lock.acquire()
try:
# CoInitialize初始化,为线程和word对象创建一个套间，令其可以正常关联和执行
pythoncom.CoInitialize()
# 用DispatchEx()的方式启动MS Word或与当前已执行的MS Word建立连结
word = DispatchEx('Word.Application')
# 打开指定目录下doc文档
doc = word.Documents.Open(docpath)
# 将打开的doc文档存储为docx
doc.SaveAs(re.sub('.doc$', '.docx', docpath), FileFormat=12)
# 关闭doc文档
doc.Close()
except:
# 报错则输出报错文件
print(docpath + '：无法打开')
else:
# 无报错输出转换完成
print(os.path.basename(docpath) + " ： 转换完成")
finally:
# 关闭office程序
word.Quit()
# 释放资源
pythoncom.CoUninitialize()
lock.release()
def DocToPdf(docpath):
'''将doc、docx转存为pdf'''
with semaphore:
lock.acquire()
try:
pythoncom.CoInitialize()
word = DispatchEx('Word.Application')
doc = word.Documents.Open(docpath)
doc.SaveAs(re.sub('\.doc.*', '.pdf', docpath), FileFormat=17)
doc.Close()
except:
print(docpath + '：无法打开')
else:
print(os.path.basename(docpath) + " ： 转换完成")
finally:
word.Quit()
pythoncom.CoUninitialize()
lock.release()
if __name__ == '__main__':
# 控制线程最大并发数为12
semaphore = threading.Semaphore(12)
# 线程锁
lock = threading.Lock()
# 当前脚本目录绝对路径
pre = os.path.realpath('./') + '\\'
for a, b, c in os.walk(pre):
for file in c:
if re.search('\.doc', file) != None:
# 将doc转存为docx
# threading.Thread(target=WordConvertToOther.DocToDocx, args=(pre + file,)).start()
# 将doc、docx转存为pdf
threading.Thread(target=WordConvertToOther.DocToPdf, args=(pre + file, )).start()
参考文献
- https://www.jianshu.com/p/4fa504c720c1
- http://yshblog.com/blog/57