Python中docx2txt库的使用说明
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
pipinstalldocx2txt
运行
1、命令行运行
#extracttext docx2txtfile.docx #extracttextandimages docx2txt-i/tmp/img_dirfile.docx
2、在python中调用
#extracttext docx2txtfile.docx #extracttextandimages docx2txt-i/tmp/img_dirfile.docx
补充:pythondocx提取word中的目录及文本框中的文本
问题描述
pythondocx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=[] forchildinchildren: #通过类型判断目录 ifchild.tag.endswith('main}sdt'): forciinchild.iter(): ifci.textandci.text.strip(): child_iters.append(ci) catalog=[ci.textforciinchild_iters]
#提取word文本框中文本 file=docx.Document(file_path) children=file.element.body.iter() child_iters=[] forchildinchildren: #通过类型判断目录 ifchild.tag.endswith('textbox'): forciinchild.iter(): ifci.tag.endswith('main}r'): child_iters.append(ci) textbox=[ci.textforciinchild_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=[] forchildinchildren: #通过类型判断目录 ifchild.tag.endswith(('AlternateContent','textbox')): forciinchild.iter(): tags.append(ci.tag) ifci.tag.endswith(('main}r','main}pPr')): child_iters.append(ci) text=[''] forciinchild_iters: ifci.tag.endswith('main}pPr'): text.append('') else: text[-1]+=ci.text ci.text='' trans_text=['***'+t+'***'fortintext] print(trans_text) i,k=0,0 forciinchild_iters: ifci.tag.endswith('main}pPr'): i+=1 k=0 elifk==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毛票票。如有错误或未考虑完全的地方,望不吝赐教。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。