python 解析docx文档的方法，以及提取插入的文本对象和图片

Posted 2020-09-23

首先安装docx模块，通过pip install docx或者在docx官方链接上下载安装都可以

下面来看下如何解析docx文档：文档格式如下

有3个部分组成 1 正文:text文档 2 一个表格。 3一个插入的文件对象。4 一个图片 这4个部分是我们在docx文档中最常见的几种格式。解析代码如下

import docx

def docx_try():

    doc=docx.Document(r‘E:\\py_prj\\test.docx‘)

    for p in doc.paragraphs:

        print p.text

    for t in doc.tables:

        for r in t.rows:

            for c in r.cells:

                print c.text

E:\\python2.7.11\\python.exe E:/py_prj/test3.py

Test文档

名称

作用

Python

解析数据

C语言

调用底层接口

HTML

网页数据

首先是用docx.Document打开对应的文件目录。docx文件的结构比较复杂，分为三层，1、Docment对象表示整个文档；2、Docment包含了Paragraph对象的列表，Paragraph对象用来表示文档中的段落；3、一个Paragraph对象包含Run对象的列表。 因此p.text会打印出整个的文本文档。而用doc.tables来遍历所有的表格。并且对每个表格通过遍历行，列的方式来得到所有的内容。

但是在运行结果中并没有找到我们插入的文件对象和图片，text.txt文档。这部分该如何解析呢。首先我们需要先来认识下docx文档的格式组成：

docx是Microsoft Office2007之后版本使用的，用新的基于XML的压缩文件格式取代了其目前专有的默认文件格式，在传统的文件名扩展名后面添加了字母“x”（即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”）。

docx格式的文件本质上是一个ZIP文件。将一个docx文件的后缀改为ZIP后是可以用解压工具打开或是解压的。事实上，Word2007的基本文件就是ZIP格式的，他可以算作是docx文件的容器。

docx 格式文件的主要内容是保存为XML格式的，但文件并非直接保存于磁盘。它是保存在一个ZIP文件中，然后取扩展名为docx。将.docx 格式的文件后缀改为ZIP后解压, 可以看到解压出来的文件夹中有word这样一个文件夹，它包含了Word文档的大部分内容。而其中的document.xml文件则包含了文档的主要文本内容

 

从上面的文档我们可以了解到docx文档实际上是由XML文档打包组成的。那么我们要得到其中所有的部分，可以用ZIP解压的方式来得到所有的部件。我们先试下看是否可以

1 将docx文档改成ZIP的后缀

2 解压文件

解压之后得到如下几个文件

点开word文件夹：有如下的文件夹。document.xml就是描述文本对象的文件

其中embeddings文件中就是我们插入的文本对象text.txt. 是一个bin文件

Media文件中就是存储的图片：

我们通过手动的方式将插入的文本以及图片解析出来，那么通过代码也是同样可以解析的。代码如下。

os.chdir(r‘E:\\py_prj‘)  #首先改变目录到文件的目录

os.rename(‘test.docx‘,‘test.ZIP‘)  # 重命名为zip文件

f=zipfile.ZipFile(‘test.zip‘,‘r‘)  #进行解压

for file in f.namelist():

    f.extract(file)

file=open(r‘E:\\py_prj\\word\\embeddings\\oleObject1.bin‘,‘rb‘).read() #进入文件路径，读取二进制文件。

for f in file:

    print f


通过上面的方式，就可以将docx中插入的文件以及图片全部解析出来。具体docx的写的方式可以参考官方文档的介绍