docx2txt的Github地址
docx2txt是基于python的從docx文件中提取文本和圖片的庫(kù)。
代碼是從python-docx中獲取的。它也可以從頁眉，頁腳和超鏈接中提取文本。它現(xiàn)在也可以提取圖像。
安裝
運(yùn)行
1、命令行運(yùn)行
# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx
2、在python中調(diào)用
# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx
補(bǔ)充：python docx提取word中的目錄及文本框中的文本
問題描述
python docx提取word中的目錄及文本框中的文本
解決方案
因未在docx庫(kù)找到直接識(shí)別word中目錄及文本框中文本的方法，所以采用了一個(gè)“笨”方法，docx庫(kù)可以把word文檔解析成xml格式，以解析xml的方式查找目錄及文本框中文本，具體做法：
迭代出文檔的所有element，其中目錄的tag為“std”，找到它后提出他的所有文本即為目錄文本；文本框的tag 為“textbox”，找到它后還要繼續(xù)下鉆尋找tag為 'r'的element,提取其文本則為文本框中文本。
# 提取word目錄
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
for child in children:
# 通過類型判斷目錄
if child.tag.endswith('main}sdt'):
for ci in child.iter():
if ci.text and ci.text.strip():
child_iters.append(ci)
catalog = [ci.text for ci in child_iters]
# 提取word文本框中文本
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
for child in children:
# 通過類型判斷目錄
if child.tag.endswith('textbox'):
for ci in child.iter():
if ci.tag.endswith('main}r'):
child_iters.append(ci)
textbox = [ci.text for ci in child_iters]
文本域的標(biāo)簽，第一次找的是AlternateContent，后來發(fā)現(xiàn)對(duì)有些文本域失效；第二次又找到了pict，基本覆蓋了測(cè)試的所有文本域；第三次把word文檔的標(biāo)簽都找出來看了一下，發(fā)現(xiàn)textbox這個(gè)標(biāo)簽看著更靠譜，用它測(cè)試了一下，也能覆蓋所有的測(cè)試文本域，決定就選擇這個(gè)標(biāo)簽。
提取文本后，又有了新需求，提取的文本很多都不成句，呈短語或單詞的形式，需要把提取的文本還原成段落形式：
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
tags = []
for child in children:
# 通過類型判斷目錄
if child.tag.endswith(('AlternateContent','textbox')):
for ci in child.iter():
tags.append(ci.tag)
if ci.tag.endswith(('main}r', 'main}pPr')):
child_iters.append(ci)
text = ['']
for ci in child_iters :
if ci.tag.endswith('main}pPr'):
text.append('')
else:
text[-1] += ci.text
ci.text = ''
trans_text = ['***'+t+'***' for t in text]
print(trans_text)
i， k = 0, 0
for ci in child_iters :
if ci.tag.endswith('main}pPr'):
i += 1
k = 0
elif k == 0:
ci.text = trans_text[i]
k = 1
file.save('E:/***/test.docx')
把標(biāo)簽pPr當(dāng)做換行標(biāo)志， 把提取的文本每段前后都加了“***”后又寫回文檔中。
注：這里又發(fā)現(xiàn)AlternateContent這個(gè)標(biāo)簽必須要帶上，否則可以提取文本域內(nèi)的文字，但改變文字寫回去保存word不顯示更改后的文字。
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- 安裝python-docx后,無法在pycharm中導(dǎo)入的解決方案
- Python安裝docx依賴包教程
- Python-docx 實(shí)現(xiàn)整體修改或者部分修改文字的大小和字體類型
- 使用Python docx修改word關(guān)鍵詞顏色的操作
- python docx的超鏈接網(wǎng)址和鏈接文本操作
- 詳解用 python-docx 創(chuàng)建浮動(dòng)圖片
- python 實(shí)現(xiàn)docx與doc文件的互相轉(zhuǎn)換
