python对比两个docx(doc)文件是否相同(linux/windows)

起因

被安排了个活，让对比一下两个文件夹内的同名doc文件是否相同，也不知道意义是啥，一百来个文件，一个一个打开太麻烦，而且电脑都卡死机了，因此，通过度娘整理了一些资料，用python实现了对比功能。

注：可以输出两个内容不同的段落，但不会具体定位到哪一句话，所以需要自己仔细看看哪一句话有问题。比较适合粗略的文件是否相同对比。

文章没什么创新，只是做了一个总结，网上东西杂七杂八的，这里记录以下个人测试可用的方法，以免后续有人继续踩坑

流程

doc转docx

如果要对比的文件本身就是docx就不需要看这一步，直接转向下一步就可以了

转换为docx的原因是：python的docx库不能处理doc文件。。。

linux环境配置：运行以下程序，确保可以调用命令行版的liboffice，来转换doc到docx

sudo apt-get install libreoffice-writer

运行以下程序完成doc转docx

# from win32com import client as wc #导入模块
# word = wc.Dispatch("Word.Application") # 打开word应用程序
# for file in files:
#     doc = word.Documents.Open(file) #打开word文件
#     doc.SaveAs("{}x".format(file), 12)#另存为后缀为".docx"的文件，其中参数12指docx文件
#     doc.Close() #关闭原来word文件
# word.Quit()
# print("完成！")
"""
将path_list目录下的所有doc文件转换为docx（并保存在同一目录下）
    以下程序是linux下利用liboffice转换的，windows下，使用上面注释过的代码即可
"""
import subprocess
import os
import docx


def doc2docx(file, path):
    if file.endswith('.doc'):
        print(f"deal with {os.path.basename(file_name)}")
        subprocess.check_output(["soffice", "--headless", "--invisible", "--convert-to", "docx",
                                 file, "--outdir", path])


path_list = ['对比文件夹1',
             '对比文件夹2']
for path in path_list:
    for file_name in os.listdir(path):
        file_path = os.path.join(path, file_name)
        doc2docx(file_path, path)

window版的转换代码我还没有测试，不过代码在上面的注释里，有兴趣的可以自己测试以下，应该不会有什么大的问题

文件对比

运行以下程序即可，一般只需要改文件路径即可，程序比较容易理解，也可以根据该程序，自定义方法

# -*- coding: utf-8 -*-
"""
对比path1和path2下，同名docx文件的异同
注意：
    docx要使用pip install python-docx安装
"""
import docx
import difflib
import os

'''在文件目录中存在两个待对比的word文档'''


# 获取文档对象
def cmp(path_file, path1, path2):
    print('比较文档**--**%s**--**和文档**--**%s**--**的区别' % (path_file[0], path_file[1]))
    file = docx.Document(path1 + "/" + path_file[0])
    file2 = docx.Document(path2 + "/" + path_file[1])
    print("%s共有---%s---个段落:" % (path_file[0], str(len(file.paragraphs))))
    print("%s共有---%s---个段落:" % (path_file[1], str(len(file2.paragraphs))))
    op = []
    op2 = []
    # 输出每一段的内容
    for para in file.paragraphs:
        op.append(para.text)

    for para1 in file2.paragraphs:
        op2.append(para1.text)

    diff = difflib.Differ()
    numbe = 0
    for d in range(len(op)):
        if op[d] != op2[d]:
            numbe += 1
            print('****第%s不同****' % (numbe))
            print('\n', path_file[0] + '的内容为：')
            print('    ~文档1：' + op[d])
            print(path_file[1] + '的内容为：')
            print('    ~文档2：' + op2[d], '\n')
            print('--------------------------------------------------------------------------------')
    print('！！！！！！！！！！！对比完毕！！！！！！！！！！！！','\t共有%s处不同' % (numbe))


path1 = '对比文件夹1'
path2 = '对比文件夹2'
for file in os.listdir(path1):
    if file.endswith('.docx'):
        path_file = [file, file]
        cmp(path_file, path1, path2)