python - 在Python中处理.doc文件并获取有限的字符列表

Question

我知道.doc文件无法在python中直接读取。因此，当我使用 os.open() 和 os.read() 在 python 中读取它时，无论实际文档有多长，我都会得到以下结果，我想要知道这些字符是什么？

b'\xd0\xcf\x11\xe0\xa1\xb1'

Answer 1

这是 OLECF 文件的签名:

http://www.forensicswiki.org/wiki/OLE_Compound_File#File_signature

OLECF 用于存储:

• Microsoft Office 97-2003 文档:
  • Word 文档 (DOC)
  • Excel 电子表格 (XLS)
  • PowerPoint 演示文稿 (PPT)
• MSN(工具栏)(C:\Documents and Settings\%USERNAME%\Local Settings\Application - Data\Microsoft\MSNe\msninfo.dat)
• 跳转列表
• StickyNotes.snt
• Thumbs.db
• Windows 安装程序 (.msi) 和补丁文件 (.msp)
• Windows 搜索 (srchadm.msc)

有关详细信息，请参阅 Compound Binary File Specification

话虽如此，读取 .doc 文件并不是从 MS Word 文件中提取文本的简单方法。您可以尝试python-docx如果您正在处理的文件是 .docx 文件，则使用库。