docx2txt的Github地址
docx2txt是基于python的从docx文件中提取文本和图片的库。
代码是从python-docx中获取的。它也可以从页眉,页脚和超链接中提取文本。它现在也可以提取图像。
安装
运行
1、命令行运行
# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx
2、在python中调用
# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx
补充:python docx提取word中的目录及文本框中的文本
问题描述
python docx提取word中的目录及文本框中的文本
解决方案
因未在docx库找到直接识别word中目录及文本框中文本的方法,所以采用了一个“笨”方法,docx库可以把word文档解析成xml格式,以解析xml的方式查找目录及文本框中文本,具体做法:
迭代出文档的所有element,其中目录的tag为“std”,找到它后提出他的所有文本即为目录文本;文本框的tag 为“textbox”,找到它后还要继续下钻寻找tag为 'r'的element,提取其文本则为文本框中文本。
# 提取word目录
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
for child in children:
# 通过类型判断目录
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:
# 通过类型判断目录
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]
文本域的标签,第一次找的是AlternateContent,后来发现对有些文本域失效;第二次又找到了pict,基本覆盖了测试的所有文本域;第三次把word文档的标签都找出来看了一下,发现textbox这个标签看着更靠谱,用它测试了一下,也能覆盖所有的测试文本域,决定就选择这个标签。
提取文本后,又有了新需求,提取的文本很多都不成句,呈短语或单词的形式,需要把提取的文本还原成段落形式:
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
tags = []
for child in children:
# 通过类型判断目录
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')
把标签pPr当做换行标志, 把提取的文本每段前后都加了“***”后又写回文档中。
注:这里又发现AlternateContent这个标签必须要带上,否则可以提取文本域内的文字,但改变文字写回去保存word不显示更改后的文字。
以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。如有错误或未考虑完全的地方,望不吝赐教。
您可能感兴趣的文章:- 安装python-docx后,无法在pycharm中导入的解决方案
- Python安装docx依赖包教程
- Python-docx 实现整体修改或者部分修改文字的大小和字体类型
- 使用Python docx修改word关键词颜色的操作
- python docx的超链接网址和链接文本操作
- 详解用 python-docx 创建浮动图片
- python 实现docx与doc文件的互相转换