如何使用Python从doc/docx文件中提取数据
如何使用Python从doc/docx文件中提取数据
提问于 2014-03-31 07:57:41
我知道有类似的问题，但我找不到什么东西可以回应我的祈祷。我需要的是一种从MS-Word文件中访问某些数据并将其保存在XML文件中的方法。在python-docx上阅读是没有帮助的，因为它似乎只允许一个人写入word文档，而不是阅读。要准确地呈现我的任务(或者我选择如何处理我的任务)：我想搜索文档中的关键字或短语(文档包含表)，并从找到关键字/短语的表中提取文本数据。有人有什么想法吗？
Stack Overflow用户
发布于 2016-05-09 01:42:37
docx是一个zip文件，包含文档的XML。您可以使用ElementTree打开zip、读取文档和解析数据。
这种技术的优点是您的不需要安装任何额外的python库。
import zipfile
import xml.etree.ElementTree
WORD_NAMESPACE = '{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
PARA = WORD_NAMESPACE + 'p'
TEXT = WORD_NAMESPACE + 't'
TABLE = WORD_NAMESPACE + 'tbl'
ROW = WORD_NAMESPACE + 'tr'
CELL = WORD_NAMESPACE + 'tc'
with zipfile.ZipFile('<path to docx file>') as docx:
tree = xml.etree.ElementTree.XML(docx.read('word/document.xml'))
for table in tree.iter(TABLE):
for row in table.iter(ROW):
for cell in row.iter(CELL):
print ''.join(node.text for node in cell.iter(TEXT))有关更多细节和参考，请参阅我对如何使用Python读取MS-Word文件中表的内容？的堆栈溢出回答。
在回答下面的评论时，图片没有那么清晰地被提取出来。我创建了一个空的docx，并将一个图像插入其中。然后，我将docx文件作为压缩存档(使用7zip)打开，并查看document.xml。所有的图像信息都作为属性存储在XML中，而不是像文本那样的CDATA。因此，您需要找到您感兴趣的标签，并提取您正在寻找的信息。
例如，添加到上面的脚本：
IMAGE = '{http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing}' + 'docPr'
for image in tree.iter(IMAGE):
print image.attrib产出：
{'id': '1', 'name': 'Picture 1'}我不是openxml格式的专家，但我希望这会有所帮助。
我确实注意到，zip文件包含一个名为media的目录，其中包含一个名为image1.jpeg的文件，其中包含我嵌入的图像的重命名副本。您可以在docx中查看以了解可用的内容。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/22756344
复制相关文章
相似问题
腾讯云开发者
