使用 zipfile 读取受密码保护的 Word 文档

Question

我正在尝试使用 zipfile 在 Python 上阅读受密码保护的 word 文档。以下代码适用于不受密码保护的文档，但在使用受密码保护的文件时会出错。

try:
    from xml.etree.cElementTree import XML
except ImportError:
    from xml.etree.ElementTree import XML
import zipfile

psw = "1234"

WORD_NAMESPACE = '{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
PARA = WORD_NAMESPACE + 'p'
TEXT = WORD_NAMESPACE + 't'

def get_docx_text(path):

    document = zipfile.ZipFile(path, "r")
    document.setpassword(psw)
    document.extractall()
    xml_content = document.read('word/document.xml')
    document.close()
    tree = XML(xml_content)

    paragraphs = []
    for paragraph in tree.getiterator(PARA):
        texts = [node.text
                 for node in paragraph.getiterator(TEXT)
                 if node.text]
        if texts:
            paragraphs.append(''.join(texts))

    return '\n\n'.join(paragraphs)

当运行 get_docx_text() 使用受密码保护的文件时，我收到以下错误：

回溯（最近调用最后）：

  File "<ipython-input-15-d2783899bfe5>", line 1, in <module>
runfile('/Users/username/Workspace/Python/docx2txt.py', wdir='/Users/username/Workspace/Python')

  File "/Applications/Spyder-Py2.app/Contents/Resources/lib/python2.7/spyderlib/widgets/externalshell/sitecustomize.py", line 680, in runfile
execfile(filename, namespace)

  File "/Applications/Spyder-Py2.app/Contents/Resources/lib/python2.7/spyderlib/widgets/externalshell/sitecustomize.py", line 78, in execfile
builtins.execfile(filename, *where)

  File "/Users/username/Workspace/Python/docx2txt.py", line 41, in <module>
x = get_docx_text("/Users/username/Desktop/file.docx")

  File "/Users/username/Workspace/Python/docx2txt.py", line 23, in get_docx_text
document = zipfile.ZipFile(path, "r")

  File "zipfile.pyc", line 770, in __init__

  File "zipfile.pyc", line 811, in _RealGetContents

BadZipfile: File is not a zip file

有人有什么建议可以让这段代码正常工作吗？

Answer 1

我认为这不是加密问题，原因有二：

创建 ZipFile 对象时未尝试解密。 ZipFile.extractall、extract 和 open 以及 read 等方法采用包含密码的可选 pwd 参数，但对象构造函数/初始化程序没有。
您的堆栈跟踪表明 BadZipFile 在您创建 ZipFile 对象时被引发，在您调用 之前 setpassword:

    document = zipfile.ZipFile(path, "r")

我会仔细查看您正在测试的两个文件之间的其他差异：所有权、权限、安全上下文（如果您的 OS 上有），...甚至文件名差异都可能导致"not see" 您正在处理的文件的框架。

另外 --- 显而易见的 --- 尝试使用您选择的与 zip 兼容的命令打开加密的 zip 文件。查看它是否真的是一个压缩文件。

我通过在 Python 3.1 中打开一个加密的 zip 文件来测试这个，同时 "forgetting" 提供密码。我可以创建 ZipFile 对象（下面的变量 zfile）而没有任何错误，但是得到了 RuntimeError --- not a BadZipFile 异常 --- 当我试图在不提供密码的情况下读取文件时：

Traceback (most recent call last):
  File "./zf.py", line 35, in <module>
    main()
  File "./zf.py", line 29, in main
    print_checksums(zipfile_name)
  File "./zf.py", line 22, in print_checksums
    for checksum in checksum_contents(zipfile_name):
  File "./zf.py", line 13, in checksum_contents
    inner_file = zfile.open(inner_filename, "r")
  File "/usr/lib64/python3.1/zipfile.py", line 903, in open
    "password required for extraction" % name)
RuntimeError: File apache.log is encrypted, password required for extraction

我还能够引发 BadZipfile 异常，一次是通过尝试打开一个空文件，一次是通过尝试打开一些我重命名为“.zip”扩展名的随机日志文件文本。这两个测试文件产生了相同的堆栈跟踪，包括行号。

Traceback (most recent call last):
  File "./zf.py", line 35, in <module>
    main()
  File "./zf.py", line 29, in main
    print_checksums(zipfile_name)
  File "./zf.py", line 22, in print_checksums
    for checksum in checksum_contents(zipfile_name):
  File "./zf.py", line 10, in checksum_contents
    zfile = zipfile.ZipFile(zipfile_name, "r")
  File "/usr/lib64/python3.1/zipfile.py", line 706, in __init__
    self._GetContents()
  File "/usr/lib64/python3.1/zipfile.py", line 726, in _GetContents
    self._RealGetContents()
  File "/usr/lib64/python3.1/zipfile.py", line 738, in _RealGetContents
    raise BadZipfile("File is not a zip file")
zipfile.BadZipfile: File is not a zip file

虽然这个堆栈跟踪与你的完全不一样---我的调用了_GetContents，而3.2之前的"small f" BadZipfile 的拼写 --- 但它们足够接近，我认为这就是您正在处理的问题。

使用 zipfile 读取受密码保护的 Word 文档

Reading password protected Word Documents with zipfile

python

ms-word

python-zipfile