Convertir un archivo de Microsoft Word a texto utilizando python

 0. Objetivo

Se busca leer un archivo de Word y convertirlo en texto, convirtiendo cada párrafo en una linea. En este caso, no interesa el formato, tan sólo extraer el texto.

La librería python-docx permite trabajar con archivos de Word en un script de python.

 

Actualización de python 2 a python 3.

El articulo se escribiendo en python 2. Con el cambio a python 3, el código genera un error:

doc.add_paragraph(lin[:-1].decode("utf-8"))
AttributeError: 'str' object has no attribute 'decode'

Pero el bloque try...except oculta el motivo del error. El error en Python 3 se debe a un cambio en la forma en que se manejan las cadenas de texto entre Python 2 y Python 3. En Python 2, las cadenas se manejan como secuencias de bytes, mientras que en Python 3 las cadenas son secuencias de caracteres Unicode. En Python 3 la llamada a decode("utf-8") es redundante y provoca un error. Para resolver este problema, simplemente puede eliminarse la llamada al método decode("utf-8"). Las instrucciones print generan un error porque en python 3, el texto a imprimir va entre paréntesis. Después de hacer los cambios, el script parece funcionar en julio de 2023 con Debian11 y Python 3.9.2

 

1. Algunas importaciones  

Importar las librerías python-docx y sys.

from docx import Document

import sys

 

2.Leer el archivo de Word y guardarlo en una lista

1. Se abre el archivo de word con el comando open, indicando que es un archivo binario.

2. Se ha importado la clase Document, así que se instancia como document.

3. De document se recorren los párrafos y se toma el texto para guardarlo en una lista de python.

def openDocx (filename):

global txtlst

f = open(filename, 'rb')

document = Document(f)

f.close()

#print "p",len(document.paragraphs)

for p in document.paragraphs:

#print p.text

txtlst.append(p.text)

return 0

 

3. Guardar la lista como texto plano

La lista de texto se guarda en un archivo de texto. Cada párrafo se ha convertido en una linea de texto separada por un salto de linea. Se explicita utf-8 por los acentos.

def saveTxt(filename):

global txtlst

f = open (filename,'w')

for x in txtlst:

f.write(x.encode("utf-8")+"\n")

f.close()

return 0

4. Ponerlo todo junto

El script que lee el archivo de Word, guarda el texto y muestra unos bonitos mensajes.

#! /usr/bin/python

# -*- coding: utf8 -*-

from docx import Document

import sys

def mensajeUso():

print "Uso:"

print "\ttxt2docx <file.docx> <file.txt>"

def openDocx (filename):

global txtlst

f = open(filename, 'rb')

document = Document(f)

f.close()

#print "p",len(document.paragraphs)

for p in document.paragraphs:

#print p.text

txtlst.append(p.text)

return 0

def saveTxt(filename):

global txtlst

f = open (filename,'w')

for x in txtlst:

f.write(x.encode("utf-8")+"\n")

f.close()

return 0

if __name__ == "__main__":

if (len (sys.argv) != 3):

mensajeUso()

sys.exit (1)

txtlst = []

result = openDocx(sys.argv[1])

if (result !=0):

sys.exit(result)

result = saveTxt(sys.argv[2])

print "Lines:",len(txtlst)

 

5. Referencias

https://tech-cookbook.com/2019/10/21/how-to-work-with-docx-in-python/

 https://python-docx.readthedocs.io/en/latest/ 

https://www.geeksforgeeks.org/python-working-with-docx-module/ 

Y por supuesto el magnífico articulo que escribí sobre el proceso contrario 

 

 

Convertir un archivo de texto a formato de Microsoft Word docx con un script en python

0. Objetivo

Se busca leer un archivo de texto y que cada linea se guarde en un archivo de Word como un párrafo. Librería para manejar archivos de Word con python.

1. importar algunas cosas

from docx import Document

import sys

2. Abrir el archivo de texto y guardarlo en una lista

def openTxt(filename):

global txtlst

try:

f = open (filename)

txtlst = f.readlines()

f.close()

return 0

except:

return -1

3a. Crear un documento docx  

global txtlst

doc = Document()

for lin in txtlst:

try:

doc.add_paragraph(lin[:-1].decode("utf-8"))

except:

print "Error en linea:",lin[:-1]

return -2

3b. Guardar el documento docx

try:

doc.save(filename)

except:

print "Error al guardar",filename

return -3

4.Ponerlo todo junto

#! /usr/bin/python

# -*- coding: utf8 -*-

from docx import Document

import sys

def mensajeUso():

print "Uso:"

print "\ttxt2docx <file.txt> <file.docx>"

def openTxt(filename):

global txtlst

try:

f = open (filename)

txtlst = f.readlines()

f.close()

return 0

except:

return -1

def savedocx (filename):

global txtlst

doc = Document()

for lin in txtlst:

try:

doc.add_paragraph(lin[:-1].decode("utf-8"))

except:

print "Error en linea:",lin[:-1]

return -2

try:

doc.save(filename)

except:

print "Error al guardar",filename

return -3

if __name__ == "__main__":

if (len (sys.argv) != 3):

mensajeUso()

sys.exit (1)

result = openTxt (sys.argv[1])

if (result !=0):

sys.exit(result)

print "Lines:",len(txtlst)

result = savedocx(sys.argv[2])

#if (result==0):

# print "Exito"

sys.exit(result)

Referencias

How to work with DOCX in Python 

 

 

 

Un QVector que guarda otro QVector

 En el archivo de cabecera

Creamos una clase Linea para guardar lineas:

class Linea

{

int posicion

QString texto

}

Un capítulo es un QVector de lineas

QVector <Linea> capitulo

Y por último, un documento es un QVector de capítulos

QVector <QVector <Linea>> documento

Más sobre el QVector

QVector con una clase definida por el usuario

QVector como un stack