python提取word文件中的所有图片-巨人网络通讯

python提取word文件中的所有图片

前言

办公中，偶尔会碰到一种情况，需要提取word文档中的图片，决定写这样一款工具自动提取图片。
关于脚本的使用：
情景1：如果你拿到的是一个文件夹，所有的word文件都在这个文件夹的子目录下，深度为1层，你可以直接使用该脚本
情景2：如果你拿到的是一个文件夹，打开之后，里面杂乱无章的充斥着各种文件，你也不确定word文档都在哪，那么你需要使用Everything来手动提取出所有的word文档，虽然我也可以让脚本实现这个功能，但是使用脚本需要考虑到有可能存在同名文件，再处理起来代码量会更大，还是用Everything手动移动文件吧，谁让现在的代码量已经远超我预期了呢？
3：预处理前面的两步之后，就可以直接运行脚本了
4：脚本注释很详细，这里不再赘述
5：目前仅支持docx格式的，主要原因是，如果支持doc的话，需要把doc转为docx，转换略慢，并且，我也用不到。如果你感兴趣的话，我再最下面介绍了互转的方法，你可以把这个函数加进去即可

代码

import zipfile
import os
import shutil
import hashlib
import send2trash

'''
假设所有的word文档存放在某路径中,这个路径中包含各种杂七杂八的玩意
使用Everything,或者"筛选文件.py"把所有的docx文件移动到C:\\Users\\asuka\\Desktop\\123
逐个解压每个docx文档,并提取图片

强烈建议使用Everything用来筛选出所有的word文档,这样假如有两个重名的文档,可以手动处理
如果编写软件来实现的话,会麻烦很多
'''


# 一个用来解压文件的函数
def extract_zip(zip_path):
    os.chdir(os.path.dirname(zip_path))  # 需要进入到这个路径下，这样解压的文件，才在这个路径下
    a = zipfile.ZipFile(zip_path)  # 调用zipfile.ZipFile()函数,创建一个ZipFile对象
    a.extractall()
    a.close()
    os.chdir(path)  # 恢复到之前的路径


# 用来获取所有的图片
'''
测试的时候发现，不同word文件解压之后，里面的图片命名格式一致，
导致不能直接移动图片，否则会造成文件覆盖，这里需要对找到的每一个文件，进行重命名
'''


def get_picture(demo_path):
    count = 1  # 用来个图片进行重命名
    for current_folder, list_folders, files in os.walk(demo_path):
        for f in files:
            if f.endswith('png') or f.endswith('jpg') or f.endswith('jpeg'):  # 设置图片类型是这种
                move_f = current_folder + '\\' + f  # 给出要移动的文件的路径
                new_file_path = path1 + '\\' + str(count) + '.' + f.rpartition('.')[-1]  # 指定新文件的文件路径，文件名数字递增，文件后缀
                shutil.move(move_f, new_file_path)  # 移动文件
                count += 1
    print('[-] 总共获取图片{}张'.format(count - 1))


# 对图片去重
# 计算每个图片的md5值，据此进行去重，去重的文件会被删除到回收站中
def only_one(test_path):
    md5_list = []
    count = 0
    for current_folder, list_folders, files in os.walk(test_path):
        for file in files:
            picture_path = current_folder + '\\' + file  # 获取每个图片的路径
            f = open(picture_path, 'rb')  # 开始计算每个图片的md5值
            md5obj = hashlib.md5()
            md5obj.update(f.read())
            get_hash = md5obj.hexdigest()
            f.close()
            md5_value = str(get_hash).upper()
            # 开始去重
            if md5_value in md5_list:
                send2trash.send2trash(picture_path)  # 如果这个文件的md5值曾经出现过，就删除这张图片
                count += 1
                print('[-] 删除重复图片：' + str(file))
            else:
                md5_list.append(md5_value)  # 如果这个图片的md5值不存在列表中，就添加进列表中
    print('[-] 共删除重复图片：{}张'.format(count))


print('[+] 只有后缀是docx的word文档才可以提取图片！！！')
path = input('[+] 请输入word文档所在文件夹：')  # 获取原始的word文档所在路径
os.chdir(path)

print("[+] 请输入一个路径，用来存放所有的图片")
print("[+] 或者按回车键，我将自动把图片整理之后存放在你的桌面")
path1 = input('')  # path1 用来存放所有的图片文件
if len(path1):
    pass
else:
    desktop_path = os.path.join(os.path.expanduser("~"), 'Desktop')  # 获取桌面路径
    path1 = os.path.join(desktop_path, '所有word文件中的图片')
    os.makedirs(path1)

files = os.listdir(path)  # 获取指定文件夹下的所有文件
for file in files:  # 遍历指定文件夹下的所有文件
    if file.endswith('docx'):  # 加一个判断，这样即使path路径下有别的类型文件也无妨
        filename = file.rpartition('.')[0]  # 获取文件的文件名
        file_path = os.path.join(path, filename)
        os.makedirs(file_path)  # 为获取到的文件名创建一个文件夹
        shutil.move(file, file_path)  # 把word文档移动到同名文件夹中
        word_path = os.path.join(file_path, file)  # 获取此时word文件的文件路径
        extract_zip(word_path)  # 不用改后缀，直接解压docx文件

get_picture(path)
only_one(path1)
print('[-] 现有图片：{}张'.format(len(os.listdir(path1))))

GIF示例

Everything提取文件的演示（手动处理同名word文件，我这里对同名文件进行替换）：

附：doc转docx

介绍一下实现二者互转
需要说明的是：
要安装OFFICE，如果是使用金山WPS的，则还不能应用
转换速度略慢，但还能接受
如果想转换为其他格式文件，需要在format文件名内修改，并用如下save as 参数

代码

关于第9行、第19行代码：

第9行doc.SaveAs("{}x".format(fn), 12)：
"{}x".format(fn)相当于把C:\Users\asuka\Desktop\11\123.doc变成了C:\Users\asuka\Desktop\11\123.docx，首先是指定了路径和文件名，然后12表示存储成docx格式的，保证了后缀名和格式是对应的。

第19行doc.SaveAs("{}".format(fn[:-1]), 0)：
"{}".format(fn[:-1])相当于把C:\Users\asuka\Desktop\11\456.docx变成了C:\Users\asuka\Desktop\11\456.doc，指定了要另外保存的文件，保存的路径和文件名，然后0表示存储成doc格式的，保证了后缀名和格式是对应的。

from win32com import client


# 转换doc为docx
def doc2docx(fn):
    word = client.Dispatch("Word.Application")  # 打开word应用程序
    # for file in files:
    doc = word.Documents.Open(fn)  # 打开word文件
    doc.SaveAs("{}x".format(fn), 12)  # 另存为后缀为".docx"的文件，其中参数12或16指docx文件
    doc.Close()  # 关闭原来word文件
    word.Quit()


# 转换docx为doc
def docx2doc(fn):
    word = client.Dispatch("Word.Application")  # 打开word应用程序
    # for file in files:
    doc = word.Documents.Open(fn)  # 打开word文件
    doc.SaveAs("{}".format(fn[:-1]), 0)  # 另存为后缀为".docx"的文件，其中参数0指doc
    print(fn[:-1])
    doc.Close()  # 关闭原来word文件
    word.Quit()


doc2docx(r'C:\Users\asuka\Desktop\11\123.doc')
docx2doc(r'C:\Users\asuka\Desktop\11\456.docx')