doc -> docx

目标：批量将doc文件，转换为docx文件。

  • <font style="color:rgb(18, 18, 18);">.doc</font>老旧，是word 2003以及之前word保存类型；
  • <font style="color:rgb(18, 18, 18);">.docx</font>新，是 Word 2007之后（如2010、2013、2016等）版本的保存类型。

背景情况：

doc格式很奇葩，是二进制形式的，做大模型微调输入不进去，所以需要转换格式。

那么，网上常见的方案，是调用win32 api来转换，只支持windows，不支持mac。而且调用win32 api的方法，涉及到要调用Word软件，在批量执行时，非常容易出错。

所以，我为了探寻格式转换（doc->docx）的简单解决方案，展开了调研。

终极解决方案

官网：http://www.multidoc-converter.com/en/index.html

下载地址：MultiDoc Converter.zip

介绍：支持哪些文档格式？

以下文档格式既可以用作源文件，也可以用作目标文件。

  • Word 2007 文档 （*.docx）
  • Word 97 - 2003 文档 （*.doc）
  • OpenOffice 打开文档 （*.odt）
  • 富文本格式 （*.rtf）
  • Word XML 文档 （*.xml）
  • 超文本标记语言（.htm、.html）
  • 电子出版物 （*.epub）
  • Web 存档，单个文件 （*.mht）
  • 文本文件 （*.txt）
PDF 只能设置为目标文件。

taskkill /F /IM ai.exe
taskkill /F /IM winword.exe

参考

其他的例如使用vbs，使用python，原理都差不多，都是调用Word。

如果对调研过程感兴趣，可以参考下面的材料