使用Python操纵具有链接和跟踪更改的Microsoft Word DOCX文件

Posted 2021-05-01

我一直在使用优秀的python-docx包来读取，修改和编写Microsoft Word文件。该包支持从每个段落中提取文本。它还允许一次访问段落“run”，其中run是一组具有相同字体信息的字符。不幸的是，当您通过运行访问段落时，会丢失链接，因为包不支持链接。该软件包也不支持访问更改跟踪信息。

我的问题是我需要访问更改跟踪信息。或者，更具体地说，我需要将具有从一个文档指示的更改跟踪的段落复制到另一个文档。

我试过在XML级别这样做。例如，此代码段将file1.docx的内容附加到file2.docx：

from docx import Document
doc1 = Document("file1.docx")
doc2 = Document("file2.docx")
doc2.element.body.append(doc1.element.body)
doc2.save("file2-appended.docx")

当我尝试在Mac上打开复杂文件的文件时，我收到此错误：

但是，如果我单击确定，内容就在那里。对于非常简单的文件，操作也没有问题。

我错过了什么？

答案

.element属性实际上是一个“内部”接口，应该命名为._element。在其他大多数地方我都把它命名为。你得到的是文档部分的根元素。您可以通过调用来查看它是什么：

print(doc2.element.xml)

那个元素下面只有一个w:body元素，这是你用doc2.element.body时得到的（.xml也可以用它，顺便说一句，如果你想检查那个元素）。

你的代码正在做的是在另一个w:body元素的末尾附加一个body元素，从而形成无效的XML。 WordprocessingML词汇表对于哪个元素可以跟随另一个元素以及多少个等等非常严格。对我来说唯一的惊喜是它实际上有时适合你，我接受它:)

如果你想直接操作XML，这就是._element属性的用途，你需要仔细考虑（复杂的）WordprocessingML XML Schema。

与您坚持使用已发布的API不同，一旦._element（或.element）出现在您的代码中，就没有安全网。

在体内，XML可以是与外部文档部分的关系，如图像和超链接。这些仅在它们出现的文档中有效。这可以解释为什么可以修复某些文件。