从Python中的MS Word文档中提取标题

Question

我有一个MS Word文档包含一些文字和标题，我想提取标题，我为win32安装了Python，但我不知道使用哪种方法，似乎python for windows的帮助文件没有列出函数obejct这个词。 以下面的代码为例

import win32com.client as win32
word = win32.Dispatch("Word.Application")
word.Visible = 0
word.Documents.Open("MyDocument")
doc = word.ActiveDocument

我如何知道单词对象的所有功能？我在帮助文档中找不到任何有用的东西。

Answer 1

Word对象模型可以在这里找到。 您的doc对象将包含这些属性，您可以使用它们来执行所需的操作（请注意，我没有将此功能与Word一起使用，因此我对对象模型的了解很少）。 例如，如果您想阅读文档中的所有单词，您可以执行以下操作：

for word in doc.Words:
    print word

你会得到所有的话。 每个word项都是一个Word对象（ 这里引用），因此您可以在迭代期间访问这些属性。 在你的情况下，这是你如何获得风格：

for word in doc.Words:
    print word.Style

在具有单个标题1和普通文本的示例文档上，将打印：

Heading 1
Heading 1
Heading 1
Heading 1
Heading 1
Normal
Normal
Normal
Normal
Normal

要将标题组合在一起，可以使用itertools.groupby 。 正如下面的代码注释中所解释的，您需要引用对象本身的str() ，因为使用word.Style返回一个实例，该实例无法与相同样式的其他实例正确分组：

from itertools import groupby
import win32com.client as win32

# All the same as yours
word = win32.Dispatch("Word.Application")
word.Visible = 0
word.Documents.Open("testdoc.doc")
doc = word.ActiveDocument

# Here we use itertools.groupby (without sorting anything) to
# find groups of words that share the same heading (note it picks
# up newlines). The tricky/confusing thing here is that you can't
# just group on the Style itself - you have to group on the str(). 
# There was some other interesting behavior, but I have zero 
# experience with COMObjects so I'll leave it there :)
# All of these comments for two lines of code :)
for heading, grp_wrds in groupby(doc.Words, key=lambda x: str(x.Style)):
  print heading, ''.join(str(word) for word in grp_wrds)

这输出：

Heading 1 Here is some text

Normal 
No header

如果用列表推导替换join ，则得到以下内容（您可以在其中看到换行符）：

Heading 1 ['Here ', 'is ', 'some ', 'text', '\r']
Normal ['\r', 'No ', 'header', '\r', '\r']

Answer 2

您还可以使用Google Drive SDK将Word文档转换为更有用的内容，例如HTML，您可以轻松地提取标题。

https://developers.google.com/drive/manage-uploads

Answer 3

将word转换为docx并使用python docx模块

from docx import Document

file = 'test.docx'
document = Document(file)

for paragraph in document.paragraphs:
    if paragraph.style.name == 'Heading 1':
        print(paragraph.text)