從Python中的MS Word文檔中提取標題

Question

我有一個MS Word文檔包含一些文字和標題，我想提取標題，我為win32安裝了Python，但我不知道使用哪種方法，似乎python for windows的幫助文件沒有列出函數obejct這個詞。 以下面的代碼為例

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

我如何知道單詞對象的所有功能？我在幫助文檔中找不到任何有用的東西。

Answer 1

Word對象模型可以在這里找到。 您的doc對象將包含這些屬性，您可以使用它們來執行所需的操作（請注意，我沒有將此功能與Word一起使用，因此我對對象模型的了解很少）。 例如，如果您想閱讀文檔中的所有單詞，您可以執行以下操作：

for word in doc.Words:
    print word

你會得到所有的話。 每個word項都是一個Word對象（ 這里引用），因此您可以在迭代期間訪問這些屬性。 在你的情況下，這是你如何獲得風格：

for word in doc.Words:
    print word.Style

在具有單個標題1和普通文本的示例文檔上，將打印：

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

要將標題組合在一起，可以使用itertools.groupby 。 正如下面的代碼注釋中所解釋的，您需要引用對象本身的str() ，因為使用word.Style返回一個實例，該實例無法與相同樣式的其他實例正確分組：

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)

這輸出：

Heading 1 Here is some text

Normal 
No header

如果用列表推導替換join ，則得到以下內容（您可以在其中看到換行符）：

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

Answer 2

您還可以使用Google Drive SDK將Word文檔轉換為更有用的內容，例如HTML，您可以輕松地提取標題。

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

Answer 3

將word轉換為docx並使用python docx模塊

from docx import Document

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

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