從 python 中的 word 文件讀取

Question

如何從 python 中的單詞（docx）文件中讀取。 我可以從 txt 文件中讀取，但不能對 MS Office word 文檔執行相同的操作。 有什么建議么？

Answer 1

有幾個包可以讓你做到這一點。 查看

1. 蟒蛇-docx 。

2. docx2txt （請注意，它似乎不適用於.doc ）。 據此，它似乎比 python-docx 獲得更多信息。 從原始文檔：

import docx2txt

# extract text
text = docx2txt.process("file.docx")

# extract text and write images in /tmp/img_dir
text = docx2txt.process("file.docx", "/tmp/img_dir") 

3. textract （通過docx2txt工作）。

4. 由於.docx文件只是具有更改擴展名的.zip文件， 因此這顯示了如何訪問內容。 這是與.doc文件的顯着差異，也是上述部分（或全部）不適用於.doc的原因。 在這種情況下，您可能必須先轉換doc -> docx 。 antiword是一種選擇。

Answer 2

請參閱允許讀取 docx 文件的此庫https://python-docx.readthedocs.io/en/latest/

您應該使用 PyPi 上可用的 python-docx 庫。 然后你可以使用以下

doc = docx.Document('myfile.docx')
allText = []
for docpara in doc.paragraphs:
    allText.append(docpara.text)