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
|
1
|
pip install docx2txt |
运行
1、命令行运行
|
1
2
3
4
|
# extract textdocx2txt file.docx# extract text and imagesdocx2txt -i /tmp/img_dir file.docx |
2、在python中调用
|
1
2
3
4
|
# extract textdocx2txt file.docx# extract text and imagesdocx2txt -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。
|
1
2
3
4
5
6
7
8
9
10
11
|
# 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] |
|
1
2
3
4
5
6
7
8
9
10
11
|
# 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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
|
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, 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服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/angus_monroe/article/details/79292837
