如何使用 python docx2txt 模块从 docx 文件中检索特定部分

Question

我正在使用 python docx2txt模块来处理 docx 文件。现在我可以通过使用这个模块来获取整个文档。但我的要求是逐节检索文档（例如单独使用其内容的标题）。请帮助我获取使用 docx2txt 库的特定部分或标题。

Answer 1

docx2text模块没有内置函数。

这意味着你有几个选择。

• 尝试从转换后的文本中识别节标题和节。 这可能会很困难，因为很难将一个句子的段落与节标题区分开来。
• 使用zipfile模块打开docx文件。 然后从 zipfile 中读取word/document.xml文件并提取信息。 这将为您提供完整的 XML 结构，因此应该可以识别节标题。
• 使用python-docx ，就像在这个问题中一样。

所有计算机化处理都要求文件具有一致的内部结构。 如果您的文档使用真实的部分标题但也使用格式化的行来开始一个部分，那么您的转换肯定会失败。