• docx 是一个 zip 文件
• doc 不是一个标准的 zip 文件，所以需要使用其它工具来处理

使用 opendocx

来源： - https://stackoverflow.com/questions/42482/best-way-to-extract-text-from-a-word-doc-without-using-com-automation

• https://stackoverflow.com/questions/125222/extracting-text-from-ms-word-files-in-python

install python-docx

from docx import Document

document = Document('Hello world.docx')

# This location is where most document content lives 
docbody = document.xpath('/w:document/w:body', namespaces=wordnamespaces)[0]

# Extract all text
print getdocumenttext(document)

使用 antiword

apt install antiword

antiword -m UTF-8 abc.doc