脚本之家,脚本语言编程技术及教程分享平台!
分类导航

Python|VBS|Ruby|Lua|perl|VBA|Golang|PowerShell|Erlang|autoit|Dos|bat|

服务器之家 - 脚本之家 - Python - Python读取Word(.docx)正文信息的方法

Python读取Word(.docx)正文信息的方法

2021-01-22 00:180_蜡笔小熊_0 Python

这篇文章主要为大家详细介绍了Python读取Word(.docx)正文信息的方法,具有一定的参考价值,感兴趣的小伙伴们可以参考一下

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:

?
1
2
3
4
5
6
7
8
9
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服务器之家。

原文链接:http://blog.csdn.net/qq_20183489/article/details/76736089

延伸 · 阅读

精彩推荐