type
status
date
slug
summary
tags
category
icon
password
使用python处理word时遇到一个逆天文件，使用python-docx无法处理，再使用win32com同样，最后思路为zipfile解压缩读取xml，居然也不能识别
看文件对比，word使用通用模板，解压缩后的文件为
其中xml为通用的文本模板，存储文本内容
而我需要处理的word文件，解压后的文件
都是无文件类型的文件，但是把WordDocument作为文本文档打开，可以发现在乱码中有文本
现在的思路为，把需要处理的docx文档后缀更改为zip，保留其中的WordDocument作为txt文本文档进行读取，使用正则表达式提取ip地址，删除其余乱码
在进行python读取文本时，发现utf-8等编码都无法读取文本
找到一个技巧，使用chardet库读取文本信息
可以看到编码为MacRoman？？666
此时的zip是通过手动更改后缀名提取的，在使用python的zip模块，仍无法识别。
换思路为，把docx直接更改为txt。查看二进制中是否存在需要的信息。
通过识别编码格式，可以看到和上边相同的效果。
再想办法在乱码中提取所需的文字。
此时的思路为，使用正则表达式，删除文字间的空格，把ip提出（此时过程浪费两小时）
不理解为什么就是提不出来
然后发现这里tmd不是空格，是nul乱码，编码格式无法显示
使用正则把这些乱码进行删除后，成功提取出所需的文字
但是在进行批量处理时，还是有大量的失败的，最后进行筛查，有些内容较多的docx，改txt二进制查看是全部乱码，无法查看。
放弃了。。。
还是疑惑这种逆天docx到底是怎么来的，网上没有看到信息。希望知道的朋友给留言一下。