Python实现docx2txt
对于一些Linux平台，特别是没有安装桌面的Linux系统，查看MS Office的文档是一件非常痛苦的事情，如果能够将.dox格式的文件转化成一个文本文件，将会解决很多问题。我们知道，.docx文件实质上是一个.zip压缩包，里面包含了各种各样的XML结构化文本文件、资源文件、XML样式表，等等。文档中的所有内容都集中在压缩包中的word/document.xml文件中，然而这是一个复杂的XML文件，并不适合直接阅读。因此，需要将其中的文本提取出来。
我们知道，Python作为一门强大的脚本语言，很擅长处理与字符串相关的问题。因此使用Python来实现一个docx2txt的小工具。
获取XML源文件
第一步，我们需要解压docx包，读取其中的XML文件。Python提供了ZipFile可供读取.zip文件。
from zipfile import ZipFile
zf = Zipfile(filename)
那么，就如何判断一个文件是不是MS Office Word(.docx)文件呢？我们可以通过判断压缩包文件中是否存在word/document.xml文件来实现。
def isdocx(zf):
if not zf.namelist().__contains__('word/document.xml'):
# print('invalid MS word file.')
return False
return True
接下来，读取word/document.xml文件：
text = str(zf.read('word/document.xml'), encoding='utf-8')
读取之后，还需要解析这个XML文件，以提取出其中的所有文字信息。因为此处并不关心XML文件的样式以及其他信息，为方便起见，直接使用标准库中的html.parser.HTMLParser来解析XML即可。
首先，继承HTMLParser类：
class Parser(HTMLParser):
def __init__(self):
HTMLParser.__init__(self)
self.text = ''
接下来，提取出所有的data，这就是docx文件中的文本内容。这一步需要重写handle_data方法：
def handle_data(self, data):
self.text += data
然而仅仅通过handle_data并无法处理换行符的问题。通过观察word/document.xml文件的特点和查阅DOXC文件规范得知Word中每一个新段落都是通过<w:p>Tag开始的，因此，只需要在每次<w:p>标签结束的时候加上一个\n即可实现段落的划分。
def handle_endtag(self, tag):
if tag == 'w:p': # new line
self.text += '\n'
更多
目前还无法处理docx文件中的图片等等信息，样式表信息也忽略，进一步开发的话，希望能够做到将.docx文件转换成markdown文件。