Python读取Word(.docx)正文信息的方法
程序员文章站
2022-05-26 14:26:38
本文介绍用python简单读取*.docx文件信息,一些python-word库就是对这种方法的扩展。
介绍分两部分:
word(*.docx)文件简述...
本文介绍用python简单读取*.docx文件信息,一些python-word库就是对这种方法的扩展。
介绍分两部分:
- word(*.docx)文件简述
- python提取word信息
word(*.docx)文件简述
大约在2008年以前,office产品中word用.doc文件格式,这种二进制格式很难与其他软件兼容。
为了跟上时代,微软采用类xml格式标准定义其新版word文件.docx。
.docx实际上是一个zip的压缩文件,比如我们有一个test.docx的文件:
其内容如下:
改变其后缀名为test.zip,然后解压,会得到如下文件:
其中word文件的正文内容被保持在word/document.xml中,我们可以打开查看:
python提取word信息
根据word(.docx)文件格式,我们遵循如下步骤进行正文信息的提取:
1 解压.docx文件
2 用beautifulsoup解析word/document.xml提取正文信息
具体代码如下:
from zipfile import zipfile from bs4 import beautifulsoup document=zipfile('test.docx') xml=document.read("word/document.xml") wordobj=beautifulsoup(xml.decode("utf-8")) texts=wordobj.findall("w:t") for text in texts: print(text.text)
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
推荐阅读
-
Ubuntu下使用python读取doc和docx文档的内容方法
-
python-docx修改已存在的Word文档的表格的字体格式方法
-
python简单程序读取串口信息的方法
-
python实现生成Word、docx文件的方法分析
-
Python实现读取机器硬件信息的方法示例
-
Python读取Word(.docx)正文信息的方法
-
Python3读取zip文件信息的方法
-
Python读取Pickle文件信息并计算与当前时间间隔的方法分析
-
使用python批量读取word文档并整理关键信息到excel表格的实例
-
荐 Python-docx 读写 Word 文档:读取正文、表格文本信息、段落格式、字体格式等