如何使用 python-docx 從現有的 docx 文件中提取文本

Question

我正在嘗試使用python-docx模塊（ pip install python-docx ），但它似乎非常混亂，因為在github 回購測試示例中，他們使用的是opendocx function，但在readthedocs中，他們使用的是Document class。即使它們只顯示如何將文本添加到 docx 文件，而不是讀取現有文件？

第一個（ opendocx ）不起作用，可能已被棄用。 對於第二種情況，我試圖使用：

from docx import Document

document = Document('test_doc.docx')
print(document.paragraphs)

它返回了<docx.text.Paragraph object at 0x... >的列表

然后我做了：

for p in document.paragraphs:
    print(p.text)

它返回了所有文本，但幾乎沒有遺漏任何東西。 所有 URL（CTRL+CLICK 到 go 到 URL）都沒有出現在控制台的文本中。

問題是什么？ 為什么缺少網址？

我如何在不遍歷循環的情況下獲得完整的文本（類似於open().read() ）

Answer 1

你可以試試這個

import docx

def getText(filename):
    doc = docx.Document(filename)
    fullText = []
    for para in doc.paragraphs:
        fullText.append(para.text)
    return '\n'.join(fullText)

Answer 2

您可以使用改編自 python-docx 的python-docx2txt ，但也可以從鏈接、頁眉和頁腳中提取文本。 它還可以提取圖像。

Answer 3

你也可以試試這個

from docx import Document

document = Document('demo.docx')
for para in document.paragraphs:
    print(para.text)

Answer 4

不安裝python-docx

docx基本上是一個 zip 文件，其中包含多個文件夾和文件。 在下面的鏈接中，您可以找到一個簡單的函數來從docx文件中提取文本，而無需依賴python-docx和lxml ，后者有時難以安裝：

http://etienned.github.io/posts/extract-text-from-word-docx-simply/

Answer 5

python-docx有兩個“世代”。 最初的一代以 0.2.x 版本結束，“新一代”開始於 v0.3.0。 新一代是對舊版本的徹底的、面向對象的重寫。 它有一個位於此處的獨特存儲庫。

opendocx() 函數是舊 API 的一部分。 該文檔適用於新版本。 舊版本沒有文檔可言。

當前版本不支持讀取和寫入超鏈接。 該功能在路線圖上，該項目正在積極開發中。 事實證明，它是一個相當廣泛的 API，因為 Word 具有如此多的功能。 所以我們會解決這個問題，但可能不會在下個月，除非有人決定專注於這方面並做出貢獻。 在此答案之后添加了更新超鏈接支持。

Answer 6

使用 python-docx，如@Chinmoy Panda 的回答所示：

for para in doc.paragraphs:
    fullText.append(para.text)

但是， para.text會丟失w:smarttag para.text的文本（相應的 github 問題在這里： https : //github.com/python-openxml/python-docx/issues/328 ），您應該使用以下函數：

def para2text(p):
    rs = p._element.xpath('.//w:t')
    return u" ".join([r.text for r in rs])

Answer 7

我有一個類似的問題，所以我找到了一個解決方法（由於正則表達式刪除超鏈接標簽，以便只保留一個段落標簽）。 我在https://github.com/python-openxml/python-docx/issues/85 BP 上發布了這個解決方案

Answer 8

這個問題似乎沒有官方解決方案，但是這里發布了一個解決方法https://github.com/savoirfairelinux/python-docx/commit/afd9fef6b2636c196761e5ed34eb05908e582649

只需更新此文件“...\\site-packages\\docx\\oxml_ init _.py”

# add
import re
import sys

# add
def remove_hyperlink_tags(xml):
    if (sys.version_info > (3, 0)):
        xml = xml.decode('utf-8')
    xml = xml.replace('</w:hyperlink>', '')
    xml = re.sub('<w:hyperlink[^>]*>', '', xml)
    if (sys.version_info > (3, 0)):
        xml = xml.encode('utf-8')
    return xml
    
# update
def parse_xml(xml):
    """
    Return root lxml element obtained by parsing XML character string in
    *xml*, which can be either a Python 2.x string or unicode. The custom
    parser is used, so custom element classes are produced for elements in
    *xml* that have them.
    """
    root_element = etree.fromstring(remove_hyperlink_tags(xml), oxml_parser)
    return root_element

當然不要忘記在使用的文檔中提到正在更改官方庫