wordファイルをデコードエラー

Question

GithubAPIを使ってレポジトリにあるwordファイルの文字数などを取り出したいのですがデコード部分でエラーが出ます。文字コード関連のエラーだとは思うのですがそもそもwordファイルのバイナリデータからデコードして文字数や内容を取ってくることは可能なのですか？

from github import Github
import base64
import codecs

token = 'hoge'
repo_name = 'hogerepo'
file_name = 'hoge.docx'

g = Github(token)
repo = g.get_repo(repo_name)
contents = repo.get_contents(file_name))
content = base64.b64decode(contents.content)
with open(file_name, mode="rb") as f:
        content = f.read()
        tmp = content.decode()

Traceback (most recent call last):
  File "C:\Users\riku\Desktop\portforio\soturonproject\pygit.py", line 20, in <module>
    print(content.decode())
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xd2 in position 16: invalid continuation byte

Answer 1

decodeしたwordファイルはマイクロソフト専用の形式になっているので読み解くのが難しそうです。なのでgithubactionsを用いた実装にしました

Answer 2

• そもそもwordファイルのバイナリデータからデコードして文字数や内容を取ってくることは可能なのですか？

可能ですが、質問にある方法だけでは無理です。

やったことはありませんが、wordファイルというのが .docx 形式なら、base64.b64decodeしたあとに、python-docxを使って文字数や内容を取ってくることは可能でしょう。

Python で excel・wordの読み書き

wordファイルというのが.doc 形式の場合はwin32comを使って.docx形式に変換するようです

python-docxは「doc形式」ファイルを処理できないので、これを行いました...

Comments

[shino0425]

decodeした後の出力がバイナリデータになっているのでこの方法でできるかわかりませんが少しやってみようと思います

Answer 3

wordのファイルというのは単純なテキストファイルではありません
なので、それではダメです

Comments

[shino0425]

上の方のように建設的なコメントにしてください

[y_waiwai]

残念ながら、それは私の自由です