Python中docx2txt库的使用说明-6ren

Python中docx2txt库的使用说明

转载作者：qq735679552 更新时间：2022-09-29 22:32:09

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章Python中docx2txt库的使用说明由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

docx2txt的Github地址。

docx2txt是基于python的从docx文件中提取文本和图片的库.

代码是从python-docx中获取的。它也可以从页眉，页脚和超链接中提取文本。它现在也可以提取图像.

安装

 
    ? 
   
         pip install docx2txt

运行

1、命令行运行

 
    ? 
   
         # extract text 
        
         docx2txt  
         file 
         .docx 
        
         # extract text and images 
        
         docx2txt  
         - 
         i  
         / 
         tmp 
         / 
         img_dir  
         file 
         .docx

2、在python中调用

 
    ? 
   
         # extract text 
        
         docx2txt  
         file 
         .docx 
        
         # extract text and images 
        
         docx2txt  
         - 
         i  
         / 
         tmp 
         / 
         img_dir  
         file 
         .docx

补充：python docx提取word中的目录及文本框中的文本。

问题描述

python docx提取word中的目录及文本框中的文本。

解决方案

因未在docx库找到直接识别word中目录及文本框中文本的方法，所以采用了一个“笨”方法，docx库可以把word文档解析成xml格式，以解析xml的方式查找目录及文本框中文本，具体做法:

迭代出文档的所有element，其中目录的tag为“std”，找到它后提出他的所有文本即为目录文本；文本框的tag 为“textbox”，找到它后还要继续下钻寻找tag为 'r'的element,提取其文本则为文本框中文本.

 
    ? 
   
         # 提取word目录 
        
         file 
         = 
         docx.Document(file_path) 
        
         children  
         = 
         file 
         .element.body. 
         iter 
         () 
        
         child_iters  
         = 
         [] 
        
         for 
         child  
         in 
         children: 
        
         # 通过类型判断目录 
        
         if 
         child.tag.endswith( 
         'main}sdt' 
         ): 
        
         for 
         ci  
         in 
         child. 
         iter 
         (): 
        
         if 
         ci.text  
         and 
         ci.text.strip(): 
        
         child_iters.append(ci) 
        
         catalog  
         = 
         [ci.text  
         for 
         ci  
         in 
         child_iters]

 
    ? 
   
         # 提取word文本框中文本 
        
         file 
         = 
         docx.Document(file_path) 
        
         children  
         = 
         file 
         .element.body. 
         iter 
         () 
        
         child_iters  
         = 
         [] 
        
         for 
         child  
         in 
         children: 
        
         # 通过类型判断目录 
        
         if 
         child.tag.endswith( 
         'textbox' 
         ): 
        
         for 
         ci  
         in 
         child. 
         iter 
         (): 
        
         if 
         ci.tag.endswith( 
         'main}r' 
         ): 
        
         child_iters.append(ci) 
        
         textbox  
         = 
         [ci.text  
         for 
         ci  
         in 
         child_iters]

文本域的标签，第一次找的是AlternateContent，后来发现对有些文本域失效；第二次又找到了pict，基本覆盖了测试的所有文本域；第三次把word文档的标签都找出来看了一下，发现textbox这个标签看着更靠谱，用它测试了一下，也能覆盖所有的测试文本域，决定就选择这个标签.

提取文本后，又有了新需求，提取的文本很多都不成句，呈短语或单词的形式，需要把提取的文本还原成段落形式:

 
    ? 
   
         file 
         = 
         docx.Document(file_path) 
        
         children  
         = 
         file 
         .element.body. 
         iter 
         () 
        
         child_iters  
         = 
         [] 
        
         tags  
         = 
         [] 
        
         for 
         child  
         in 
         children: 
        
         # 通过类型判断目录 
        
         if 
         child.tag.endswith(( 
         'AlternateContent' 
         , 
         'textbox' 
         )): 
        
         for 
         ci  
         in 
         child. 
         iter 
         (): 
        
         tags.append(ci.tag) 
        
         if 
         ci.tag.endswith(( 
         'main}r' 
         ,  
         'main}pPr' 
         )): 
        
         child_iters.append(ci) 
        
         text  
         = 
         [''] 
        
         for 
         ci  
         in 
         child_iters : 
        
         if 
         ci.tag.endswith( 
         'main}pPr' 
         ): 
        
         text.append('') 
        
         else 
         : 
        
         text[ 
         - 
         1 
         ]  
         + 
         = 
         ci.text 
        
         ci.text  
         = 
         '' 
        
         trans_text  
         = 
         [ 
         '***' 
         + 
         t 
         + 
         '***' 
         for 
         t  
         in 
         text] 
        
         print 
         (trans_text) 
        
         i， k  
         = 
         0 
         ,  
         0 
        
         for 
         ci  
         in 
         child_iters : 
        
         if 
         ci.tag.endswith( 
         'main}pPr' 
         ): 
        
         i  
         + 
         = 
         1 
        
         k  
         = 
         0 
        
         elif 
         k  
         = 
         = 
         0 
         : 
        
         ci.text  
         = 
         trans_text[i] 
        
         k  
         = 
         1 
        
         file 
         .save( 
         'E:/***/test.docx' 
         )

把标签pPr当做换行标志，把提取的文本每段前后都加了“***”后又写回文档中.

注：这里又发现AlternateContent这个标签必须要带上，否则可以提取文本域内的文字，但改变文字写回去保存word不显示更改后的文字.

以上为个人经验，希望能给大家一个参考，也希望大家多多支持我。如有错误或未考虑完全的地方，望不吝赐教.

原文链接：https://blog.csdn.net/angus_monroe/article/details/79292837 。

最后此篇关于Python中docx2txt库的使用说明的文章就讲到这里了,如果你想了解更多关于Python中docx2txt库的使用说明的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！。

文章推荐：解决python 出现unknown encoding: idna 的问题

文章推荐： Python3.8中使用f-strings调试

文章推荐：总结Python图形用户界面和游戏开发知识点

文章推荐： python docx的超链接网址和链接文本操作

javascript - 使用 WebScriptEndpoint 使用 javascript 使用 WCF 服务
我在网上搜索但没有找到任何合适的文章解释如何使用 javascript 使用 WCF 服务，尤其是 WebScriptEndpoint。任何人都可以对此给出任何指导吗？谢谢最佳答案这是一篇关于
c - 没有结果!!使用 fork() 使用 dup2 使用 2 个管道运行 execlp()
我正在编写一个将运行 Linux 命令的 C 程序，例如: cat/etc/passwd | grep 列表 |剪切-c 1-5 我没有任何结果 *这里 parent 等待第一个 child (chi
python - 处理文件上传，使用 Pillow 调整大小，使用 SQLAlchemy 存储，使用 Flask 提供文件
所以我正在尝试处理文件上传，然后将该文件作为二进制文件存储到数据库中。在我存储它之后，我尝试在给定的 URL 上提供文件。我似乎找不到适合这里的方法。我需要使用数据库，因为我使用 Google 应用引
excel - 使用 IF 使用 VBA 在单元格中添加公式的问题
我正在尝试制作一个宏，将下面的公式添加到单元格中，然后将其拖到整个列中并在 H 列中复制相同的公式我想在 F 和 H 列中输入公式的数据 Range("F1").formula = "=IF(ISE
使用 OperatorPrecedenceParser 使用 FParsec 解析函数应用程序？
问题类似于this one ，但我想使用 OperatorPrecedenceParser 解析带有函数应用程序的表达式在 FParsec . 这是我的 AST: type Expression =
sql - 使用 sequelize 使用 where 查询编码计数
我想通过使用 sequelize 和 node.js 将这个查询更改为代码取决于在哪里 select COUNT(gender) as genderCount from customers where
bash - 使用 “let”分配Bash失败，使用 “/”
我正在使用GNU bash，版本5.0.3(1)-发行版(x86_64-pc-linux-gnu)，我想知道为什么简单的赋值语句会出现语法错误: #/bin/bash var1=/tmp
javascript - 使用 JavaScript 使用 FOR OF 数组循环时出现错误？
这里，为什么我的代码在 IE 中不起作用。我的代码适用于所有浏览器。没有问题。但是当我在 IE 上运行我的项目时，它发现错误。而且我的 jquery 类和 insertadjacentHTMl 也不
javascript - 使用 javascript 使用 for 属性更改表单标签内容
我正在尝试更改标签的innerHTML。我无权访问该表单，因此无法编辑 HTML。标签具有的唯一标识符是“for”属性。这是输入和标签的结构:
javascript - 使用 jquery 使用 .on() 将事件附加到页面上的动态插入按钮
我有一个页面，我可以在其中返回用户帖子，可以使用一些 jquery 代码对这些帖子进行即时评论，在发布新评论后，我在帖子下插入新评论以及删除按钮。问题是 Delete 按钮在新插入的元素上不起作用，
使用 awk 使用 sha1sum 进行散列
我有一个大约有 20 列的“管道分隔”文件。我只想使用 sha1sum 散列第一列，它是一个数字，如帐号，并按原样返回其余列。使用 awk 或 sed 执行此操作的最佳方法是什么？ Accounti
mysql - 使用 insert into 使用 mysql
我需要将以下内容插入到我的表中...我的用户表有五列 id、用户名、密码、名称、条目。 (我还没有提交任何东西到条目中，我稍后会使用 php 来做)但由于某种原因我不断收到这个错误:#1054 - U
jquery - 将输入字段值修剪为仅字母数字字符/使用 .使用 jQuery
所以我试图有一个输入字段，我可以在其中输入任何字符，但然后将输入的值小写，删除任何非字母数字字符，留下“。”而不是空格。例如，如果我输入: 地球的 70% 是水，-!*#$^^ & 30% 土地输
javascript - 使用 .innerHTML 使用 DOM
我正在尝试做一些我认为非常简单的事情，但出于某种原因我没有得到想要的结果？我是 javascript 的新手，但对 java 有经验，所以我相信我没有使用某种正确的规则。这是一个获取输入值、检查选择
php - 使用 angularjs 使用 where 子句从数据库获取数据
我想使用 angularjs 从 mysql 数据库加载数据。这就是应用程序的工作原理；用户登录，他们的用户名存储在 cookie 中。该用户名显示在主页上我想获取这个值并通过 angularjs
ios - 使用 UITableViewCell 使用 AutoLayout
我正在使用 autoLayout，我想在 UITableViewCell 上放置一个 UIlabel，它应该始终位于单元格的右侧和右侧的中心。这就是我想要实现的目标所以在这里你可以看到我正在谈论的
mysql - 使用 ElasticSearch 使用 or 和运算符搜索多个字段
我需要与 MySql 等效的 elasticsearch 查询。我的 sql 查询: SELECT DISTINCT t.product_id AS id FROM tbl_sup_price t
ios - 使用 Swift 使用 JSON
我正在实现代码以使用 JSON。 func setup() { if let flickrURL = NSURL(string: "https://api.flickr.com/
javascript - 使用 JavaScript 使用 for 循环声明变量
我尝试使用for循环声明变量，然后测试cols和rols是否相同。如果是，它将运行递归函数。但是，我在 javascript 中执行 do 时遇到问题。有人可以帮忙吗？现在，在比较 col.1 和
jquery - 使用 :after 使用 jquery 更改样式
我举了一个我正在处理的问题的简短示例。 HTML代码: 1 2 3 CSS 代码: .BB a:hover{ color: #000; } .BB > li:after {

qq735679552

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城