欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

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:

Python读取Word(.docx)正文信息的方法

其内容如下:

Python读取Word(.docx)正文信息的方法

改变其后缀名为test.zip,然后解压,会得到如下文件:

Python读取Word(.docx)正文信息的方法

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读取Word(.docx)正文信息的方法

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。