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。