參考文章
python讀寫doc/docx/txt/xls檔案
python讀取word文件表格裡的資料
使用python找到指定路徑下的全部txt(可以是jpg，doc等等)檔案

獲取txt中儲存的url地址

import re
import urllib.request


# 讀取本地html中url地址(提前改下字尾)
with open(r"C:/Users/mfml1073278014/Desktop/1.txt",'r') as f:
    # print(type(f.read()))
    l= re.findall(r"http://jyu.good-edu.cn/editor_files/\S*.doc"
 
, f.read())  # 正則，匹配裡面的url
    count = 0
    for url in l:
        count += 1
        print(url)
        urllib.request.urlretrieve(url, str(count)+"_info.doc")
    print(count)

下載儲存的url中的內容

import os
root = "E:/Django/DA/chapter01/docx"

# 遞迴遍歷，找到需要的檔名，儲存在ret中
def findfile(path, typ, ret):
    filelist =
 
 os.listdir(path)
    for filename in filelist:
        de_path = os.path.join(path, filename)
        if os.path.isfile(de_path):
            if de_path.endswith(typ): 
                ret.append(de_path)
        else:
            findtxt(de_path, typ, ret)
ret = []
findfile(path=root, typ=".doc", ret=
 
ret)
print(ret)

改變格式

from win32com import client as wc
# 轉換 doc to docx
def toDocx(path):
    word = wc.Dispatch('Word.Application')

    doc = word.Documents.Open(path)  # 目標路徑下的doc檔案

    extension = os.path.splitext(path)[1]  # 獲得字尾
    path = path.replace(extension, '.docx')  #改字尾為docx

    doc.SaveAs(path, 12, False, "", True, "", False, False, False, False)  # 轉化後路徑下的檔案
    doc.Close()
    word.Quit()
    
for p in ret:
    print(p)
    toDocx(p)    # 轉換為docx
    os.remove(p)    # 刪除原有的doc檔案

遍歷docx檔案，查詢關鍵字

import docx
final = set()


def find_info(target):
    # 獲取文件物件
    for word in ret:
        file = docx.Document(word)
        # 輸出每一段的內容
        for para in file.paragraphs:
            # print(para.text)
            eight_date = re.findall(target, para.text, re.IGNORECASE)
            if eight_date:
                final.add(word)
        try:
            tables = file.tables  # 獲取檔案中的表格集
            table = tables[0]  # 獲取檔案中的第一個表格
            for i in range(1, len(table.rows)):  # 從表格第二行開始迴圈讀取表格資料
                result = table.cell(i, 0).text + "" + table.cell(i, 1).text + table.cell(i, 2).text + table.cell(i, 3).text
                # cell(i,0)表示第(i+1)行第1列資料，以此類推
                eight_date = re.findall(target, result, re.IGNORECASE)
                if eight_date:
                    final.add(word)
        except:
                # print("IndexError: list index out of range")
                pass

find_info("c\+\+")
for s in final:
    print(s)