Python中docx2txt庫的使用說明

docx2txt的Github地址

docx2txt是基於python的從docx文件中提取文本和圖片的庫。

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。它現在也可以提取圖像。

安裝

pip install docx2txt

運行

1、命令行運行

# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx

2、在python中調用

# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx

補充: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庫找到直接識別word中目錄及文本框中文本的方法,所以采用瞭一個“笨”方法,docx庫可以把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”,找到它後提出他的所有文本即為目錄文本;文本框的tag 為“textbox”,找到它後還要繼續下鉆尋找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]

文本域的標簽,第一次找的是AlternateContent,後來發現對有些文本域失效;第二次又找到瞭pict,基本覆蓋瞭測試的所有文本域;第三次把word文檔的標簽都找出來看瞭一下,發現textbox這個標簽看著更靠譜,用它測試瞭一下,也能覆蓋所有的測試文本域,決定就選擇這個標簽。

提取文本後,又有瞭新需求,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')

把標簽pPr當做換行標志, 把提取的文本每段前後都加瞭“***”後又寫回文檔中。

註:這裡又發現AlternateContent這個標簽必須要帶上,否則可以提取文本域內的文字,但改變文字寫回去保存word不顯示更改後的文字。

以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。如有錯誤或未考慮完全的地方,望不吝賜教。

推薦閱讀: