docx2txt的Github地址
docx2txt是基于python的從docx文件中提取文本和圖片的庫。
代碼是從python-docx中獲取的。它也可以從頁眉，頁腳和超鏈接中提取文本。它現在也可以提取圖像。
安裝
運行
1、命令行運行
# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx
2、在python中調用
# extract text
docx2txt file.docx
# extract text and images
docx2txt -i /tmp/img_dir file.docx
補充：python docx提取word中的目錄及文本框中的文本
問題描述
python docx提取word中的目錄及文本框中的文本
解決方案
因未在docx庫找到直接識別word中目錄及文本框中文本的方法，所以采用了一個“笨”方法，docx庫可以把word文檔解析成xml格式，以解析xml的方式查找目錄及文本框中文本，具體做法：
迭代出文檔的所有element，其中目錄的tag為“std”，找到它后提出他的所有文本即為目錄文本；文本框的tag 為“textbox”，找到它后還要繼續下鉆尋找tag為 'r'的element,提取其文本則為文本框中文本。
# 提取word目錄
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
for child in children:
# 通過類型判斷目錄
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]
# 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:
# 通過類型判斷目錄
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]
文本域的標簽，第一次找的是AlternateContent，后來發現對有些文本域失效；第二次又找到了pict，基本覆蓋了測試的所有文本域；第三次把word文檔的標簽都找出來看了一下，發現textbox這個標簽看著更靠譜，用它測試了一下，也能覆蓋所有的測試文本域，決定就選擇這個標簽。
提取文本后，又有了新需求，提取的文本很多都不成句，呈短語或單詞的形式，需要把提取的文本還原成段落形式：
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
tags = []
for child in children:
# 通過類型判斷目錄
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, 0
for ci in child_iters :
if ci.tag.endswith('main}pPr'):
i += 1
k = 0
elif k == 0:
ci.text = trans_text[i]
k = 1
file.save('E:/***/test.docx')
把標簽pPr當做換行標志， 把提取的文本每段前后都加了“***”后又寫回文檔中。
注：這里又發現AlternateContent這個標簽必須要帶上，否則可以提取文本域內的文字，但改變文字寫回去保存word不顯示更改后的文字。
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- 安裝python-docx后,無法在pycharm中導入的解決方案
- Python安裝docx依賴包教程
- Python-docx 實現整體修改或者部分修改文字的大小和字體類型
- 使用Python docx修改word關鍵詞顏色的操作
- python docx的超鏈接網址和鏈接文本操作
- 詳解用 python-docx 創建浮動圖片
- python 實現docx與doc文件的互相轉換
