docx2txt的Github地址

docx2txt是基于python的從docx文件中提取文本和圖片的庫。

代碼是從python-docx中獲取的。它也可以從頁眉，頁腳和超鏈接中提取文本。它現(xiàn)在也可以提取圖像。

pip install docx2txt運行1、命令行運行

# extract textdocx2txt file.docx# extract text and imagesdocx2txt -i /tmp/img_dir file.docx2、在python中調(diào)用

# extract textdocx2txt file.docx# extract text and imagesdocx2txt -i /tmp/img_dir file.docx

補充：python docx提取word中的目錄及文本框中的文本

python docx提取word中的目錄及文本框中的文本

因未在docx庫找到直接識別word中目錄及文本框中文本的方法，所以采用了一個“笨”方法，docx庫可以把word文檔解析成xml格式，以解析xml的方式查找目錄及文本框中文本，具體做法：

迭代出文檔的所有element，其中目錄的tag為“std”，找到它后提出他的所有文本即為目錄文本；文本框的tag 為“textbox”，找到它后還要繼續(xù)下鉆尋找tag為 ’r’的element,提取其文本則為文本框中文本。

# 提取word目錄file = docx.Document(file_path)children = file.element.body.iter()child_iters = []for child in children: # 通過類型判斷目錄 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: # 通過類型判斷目錄 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]

文本域的標簽，第一次找的是AlternateContent，后來發(fā)現(xiàn)對有些文本域失效；第二次又找到了pict，基本覆蓋了測試的所有文本域；第三次把word文檔的標簽都找出來看了一下，發(fā)現(xiàn)textbox這個標簽看著更靠譜，用它測試了一下，也能覆蓋所有的測試文本域，決定就選擇這個標簽。

提取文本后，又有了新需求，提取的文本很多都不成句，呈短語或單詞的形式，需要把提取的文本還原成段落形式：

file = docx.Document(file_path)children = file.element.body.iter()child_iters = []tags = []for child in children: # 通過類型判斷目錄 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, 0for ci in child_iters : if ci.tag.endswith(’main}pPr’): i += 1 k = 0 elif k == 0: ci.text = trans_text[i] k = 1file.save(’E:/***/test.docx’)

把標簽pPr當做換行標志， 把提取的文本每段前后都加了“***”后又寫回文檔中。

注：這里又發(fā)現(xiàn)AlternateContent這個標簽必須要帶上，否則可以提取文本域內(nèi)的文字，但改變文字寫回去保存word不顯示更改后的文字。

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持好吧啦網(wǎng)。如有錯誤或未考慮完全的地方，望不吝賜教。