前言：

java語言讀寫.doc的出現亂碼問題：

大家都知道當我們利用java語言讀寫.doc文件時，無論是利用流的方式將.doc文件的內容輸出到控制臺(console)，還是將其寫到其他文件中，無論你采取何種編碼格式（utf-8，gbk等）輸出，你看到的內容99%都是亂碼。

java語言讀寫.doc的出現亂碼問題原因分析：

.doc文件是微軟開發的用于辦公的編輯文字的軟件之一，如果說一篇word文檔的字體格式采用的是utf-8，那么你采用utf-8格式讀寫該文檔，應該能夠正確輸出漢字，但是一旦你的word文檔里面的字體的尺寸改變，字體加上顏色屬性，字體加上某種style時，那么本篇word文檔的格式就變了，而不再是utf-8，因此采用utf-8格式輸出99%都是亂碼。

利用java語言讀寫.doc文檔避免亂碼的解決方案：(sun公司pk微軟公司)

可以利用sun公司開發的poi包，該包提供修改微軟辦公軟件的接口，利用poi包讀寫.doc文件，通常就不會產生亂碼。如果看到這里你就大概認為，我終于可以利用java去處理.doc文件了，那么我想說的是，你開心的太早了。據我所知，截止到2017年12月22日，poi包的最新版本是3.1.7版，你也許對該版本沒有什么概念，3.1.7版本的poi包只能處理微軟2007版本的word，excel，ppt等，也就是說poi3.1.7版本的jar包不支持處理咱們電腦上頂配的word2016，因此可以說你可以放棄使用java讀寫word2016了。但是你也可以嘗試用其他的接口去處理word,但是效率都不會比poi接口高，幸運的是，官網顯示poi最新版本將在2017年12月份推出，但是截止到2017年12月22日，我還沒有在官網看到此jar包。

正文：

python在處理文檔的語言處理方面比java更勝一籌，畢竟python結合正則表達式在自然語言處理方面還是很強勢的。最近在做深度學習的項目，需要解析并處理幾百個數量級的.doc文件。眾所周知，python讀寫.txt文檔可以說一路暢通無阻，不管你中文是什么格式；python在讀寫.docx文檔時，也比較暢通，最多你需要在命令行安裝python-docx (0.8.6)，就可以讀寫.docx文檔了，具體讀寫方案，下述。

問題：python無法讀取.doc文件（而不是.docx文件）

解決方案：利用python將大批.doc文件轉化為.docx文件，再讀寫.docx文件

問題分析：python利用python-docx (0.8.6)庫可以讀取.docx文件或.txt文件，且一路暢通無阻，而對.doc文件本身python是無能為力的，那有很多同學就不服氣，我手動把.doc文件的后綴名改為.docx或.txt不就解決問題了嗎？答案是不能的，簡單修改后綴名，那么文件就被你玩壞了，別說打不開，就是打開也是天書啊（亂碼）。python無法操作.doc文件是他的先天不足，但是我們不要鉆牛角尖一定要在互聯網上找到一種源碼直接讀取.doc文件，一調用就好了，但是不幸的是，你可能在網上也找不到解決方案。正當我一籌莫展之時，我將.doc文檔利用手動的方式“另存為”.docx文檔，就能夠成功打開轉化后的.docx文檔，于是我就嘗試利用代碼方式完成這個手動的“另存為”功能，問題得以解決。