如何从 DOC（不是 DOCX）获取 XML？
How to get XML from DOC (not DOCX)?
对于 DOCX 文档，我这样做：
document = zipfile.ZipFile(path)
soup = BeautifulSoup(document.read('word/document.xml'), 'html.parser')
如何为DOC文档做这个？
你不知道。
DOCX 很难处理，它们基于 XML 并由国际标准组织记录。 DOC 文件是二进制的和专有的。
不要尝试直接处理 DOC 文件。 先将它们转换为 DOCX。
参见：
- Automation: how to automate transforming .doc to .docx?
- multiple .doc to .docx file conversion using python
- Python & MS Word: Convert .doc to .docx?
对于 DOCX 文档，我这样做：
document = zipfile.ZipFile(path)
soup = BeautifulSoup(document.read('word/document.xml'), 'html.parser')
如何为DOC文档做这个？
你不知道。
DOCX 很难处理，它们基于 XML 并由国际标准组织记录。 DOC 文件是二进制的和专有的。
不要尝试直接处理 DOC 文件。 先将它们转换为 DOCX。
参见：
- Automation: how to automate transforming .doc to .docx?
- multiple .doc to .docx file conversion using python
- Python & MS Word: Convert .doc to .docx?