最近线上项目解析docx文档遇到了很多问题，整体上记录一下这块内容吧。

新版本（2007版本以后）的docx文件本质上是一种xml格式的标记文件，也相当于一种压缩文件，但是旧版本word97-2003是一种二进制文件，不是open xml规范。

第一个问题File is not a zip file一般是由于当前的docx/doc版本比较旧，因为在word97-2003版本没有采用标准的Open XML规范，而是采用一种自己私有的OLE 2规范，本质上是一种二进制文件，也无法使用ZipFile打开，所以更不能使用python的python-docx打开或者解析。

Open XML 是一种基于 XML 和 ZIP 压缩的开放标准（由 ECMA 和 ISO/IEC 标准化，如 ISO/IEC 29500）。

那如何解决这一个问题呢，其实通用的办法就是采用LibreOffice将其转换成规范的docx文件，也就是open XML的docx文件，然后正常读取docx文件即可。

至于第二个问题，一般是非微软的word（比如Wps、Apache等厂商），另外就是这个docx版本符合open xml规范，但是还是跟进现在的规范，也就是在中间的一些版本（15以下的版本）缺失了一些archive，这个解决的话可以有几种办法：

• 直接以xml方式打开文件，然后删除对应的archive，比如：‘word/footnotes.xml’，但是我不推荐这样做。
• 第二种方式就是在代码打开解析的时候，当遇到这种标记或者标签的时候，对报错（There is no item named 'xxx/xxxx.xml' in the archive）的标记进行跳过或者添加相关标记，这种方式倒是可以，就是需要有一定的理解能力。
• 第三种方式更为通用。直接使用LibreOffice转换，一般不会出现什么问题。

这些都是我在排查一些线上问题的时候琢磨的东西，如果有不对的地方还希望读者能够提出来，另外的话对于这些代码，我其实是专门有存放的: docx_process ，大家可以作为参考。

其实还有很多细节，比如文件用字节流打开的时候，如果前面的字符流就能体现出它的规范，b'\xD0\xCF\x11\xE0\xA1\xB1\x1A\xE1'开头的就是word97-2003的，b'PK\x03\x04'就是xml规范的，整体上的修复逻辑大致是这样子的：