如何使用Python从doc/docx文件中提取数据

Question

我知道已经有类似的问题，但我找不到能够回答我的请求的东西。我需要一种方法来访问MS-Word文件中的特定数据并将其保存在XML文件中。 阅读 python-docx 没有帮助，因为它似乎只允许人们写入Word文档，而不是读取。 为了准确地展示我的任务（或者说我选择的方法）：我想在文档中搜索关键字或短语（文档包含表格），并从找到关键字/短语的表格中提取文本数据。 有人有什么想法吗？

- Stefan Urziceanu

---

我曾经需要处理xls/xlsx文件，但很容易因为有openpyxl库，可以让我们在Excel电子表格上做很多事情。但是在Python中似乎没有太多关于处理doc/docx文件的支持。 - Stefan Urziceanu

Answer 1

docx是一个包含文档XML的zip文件。您可以打开zip文件，读取文档并使用ElementTree解析数据。

这种技术的优点是您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))

查看我的stackoverflow答案《如何使用Python读取MS-Word文件中的表格内容？》了解更多详细信息和参考资料。

回答下面的评论， 提取图像不像文本那么明显。我创建了一个空的docx文件并将一张图片插入其中。然后，我打开docx文件作为zip存档（使用7zip），并查看document.xml。所有的图像信息都存储在XML中的属性中，而不是像文本那样存储在CDATA中。因此，您需要找到您感兴趣的标记，并提取您要查找的信息。

例如，将上面的脚本添加到：

IMAGE = '{http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing}' + 'docPr'

for image in tree.iter(IMAGE):
    print image.attrib

输出：

{'id': '1', 'name': 'Picture 1'}

虽然我不是openxml格式的专家，但我希望这可以帮到你。

我注意到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，该文件包含我嵌入图像的重命名副本。您可以在docx压缩文件中查看可用内容。

- Mike Robins

---

你能指出图像的NAMESPACE标签吗？我尝试过了，但有多个匹配项，其中也包括我认为是ilvl的列表标签。 - Jaynam Modi

我已经在上面的答案中添加了一些信息，希望能对您有所帮助。 - Mike Robins

非常感谢，我在研究时已经得出了相同的结论。 - Jaynam Modi

Answer 2

使用python-docx在文档中进行搜索

# Import the module
from docx import *

# Open the .docx file
document = opendocx('A document.docx')

# Search returns true if found    
search(document,'your search string')

您还可以使用一个函数获取文档的文本内容： https://github.com/mikemaccana/python-docx/blob/master/docx.py#L910

# Import the module
from docx import *

# Open the .docx file
document = opendocx('A document.docx')
fullText=getdocumenttext(document)

使用https://github.com/mikemaccana/python-docx来处理文档。

- edi9999

---

如果您要使用docx抓取表格中的单元格，请确保阅读此内容以避免性能问题：https://github.com/python-openxml/python-docx/issues/174 - Soferio

Answer 3

一个具有图像提取功能的更简单的库。

pip install docx2txt

然后使用以下代码来读取docx文件。

import docx2txt
text = docx2txt.process("file.docx")

- Krissh

Answer 4

看起来 pywin32 可以解决问题。你可以遍历文档中的所有表格和表格内的所有单元格。获取数据有点棘手（需要省略每个条目的最后 2 个字符），但除此之外，只需十分钟代码即可完成。 如果有人需要更多细节，请在评论中说明。

- Stefan Urziceanu

---

你能否快速发布一段代码示例来实现这个功能？（例如，选择表并将内容读取到变量中）谢谢。 - dasen

@dasen 这里 - dashesy

Answer 5

使用Python从doc/docx文件中提取文本

import os
import docx2txt
from win32com import client as wc

def extract_text_from_docx(path):
    temp = docx2txt.process(path)
    text = [line.replace('\t', ' ') for line in temp.split('\n') if line]
    final_text = ' '.join(text)
    return final_text

def extract_text_from_doc(doc_path):
    w = wc.Dispatch('Word.Application')
    doc = w.Documents.Open(file_path)
    doc.SaveAs(save_file_name, 16)
    doc.Close()
    w.Quit()
    joinedPath = os.path.join(root_path,save_file_name)
    text = extract_text_from_docx(joinedPath)
    return text

def extract_text(file_path, extension):
    text = ''
    if extension == '.docx':
       text = extract_text_from_docx(file_path)
    else extension == '.doc':
       text = extract_text_from_doc(file_path)
return text

file_path = #file_path with doc/docx file
root_path = #file_path where the doc downloaded
save_file_name = "Final2_text_docx.docx"
final_text = extract_text(file_path, extension)
print(final_text)

- dataninsight