Python3 - 无法读取 docx、odt 文件 - UnicodeDecodeError：“utf-8”编解码器无法解码位置 10 中的字节 0xea：无效的连续字节

我正在尝试将大 docx 文件拆分为小文件。为此，当读取文件时python3.6使用以下代码。

with open('h.docx', 'r') as f:
    a = f.read()

它抛出这个错误。

Traceback (most recent call last):
  File "<stdin>", line 2, in <module>
  File "/usr/local/lib/python3.6/codecs.py", line 321, in decode
    (result, consumed) = self._buffer_decode(data, self.errors, final)
  UnicodeDecodeError: 'utf-8' codec can't decode byte 0xea in position 
  10: invalid continuation byte

h.docx 是使用 LibreOffice Calc 创建的，只需'hello world'作为内容。我可以在 Python 2.7 中成功读取此内容，没有任何错误。

I tried

with open('h.docx', 'r', encoding='latin-1') as f:
    a = f.read()

这样我可以毫无错误地读取文件。但是当写入另一个文件时，原始内容就会丢失。

也尝试过errors='surrogateescape'，但是当写入另一个文件时，原始内容会丢失。

不是真正的答案，但评论太长了。你所做的只是无意义的：你试图读取“.docx”文件，就好像它是一个文本文件一样not。它是一种复杂的格式，其中多个 xml 文件（可能还有其他文件...）连接成一个 zip 文件。您甚至不应该考虑处理这样的文件by hand unless:

• 细微的改变，例如用另一个单词替换一个单词
• 只读操作，例如研究特定字符串
• 你想写一个docx处理包（祝你好运）

即使这些也不是简单的操作。

什么是可能的：

• 当您仅将文件视为不透明内容时，将其作为二进制文件处理，例如通过网络连接发送它
• 使用专用库，例如python-docx https://pypi.python.org/pypi/python-docx
• 在Windows下，使用Word的自动化界面让word本身处理文件（comtypes https://pypi.python.org/pypi/comtypes可以在这里提供帮助）