python

2024-01-20 08:01| 来源: 网络整理| 查看: 265

近期在工作中需要解析word，然后上传到redmine，网上搜索了下相关解析的教程，有单独解析表格的、段落的、图片的，没有按顺序解析。

后面找到一份教程，顺序解析了word，但是无法解析图片，综合了一下各教程的解析思路，让我顺利摸出了解决之法：

方案一：

# docx import docx from docx.document import Document from docx.text.paragraph import Paragraph from docx.parts.image import ImagePart from docx.table import _Cell, Table from docx.oxml.table import CT_Tbl from docx.oxml.text.paragraph import CT_P # 该行只能有一个图片 def is_image(graph:Paragraph,doc:Document): images = graph._element.xpath('.//pic:pic') # 获取所有图片 for image in images: for img_id in image.xpath('.//a:blip/@r:embed'): # 获取图片id part = doc.part.related_parts[img_id] # 根据图片id获取对应的图片 if isinstance(part, ImagePart): return True return False # 获取图片（该行只能有一个图片） def get_ImagePart(graph:Paragraph,doc:Document): images = graph._element.xpath('.//pic:pic') # 获取所有图片 for image in images: for img_id in image.xpath('.//a:blip/@r:embed'): # 获取图片id part = doc.part.related_parts[img_id] # 根据图片id获取对应的图片 if isinstance(part, ImagePart): return part return None def iter_block_items(parent): """ Yield each paragraph and table child within *parent*, in document order. Each returned value is an instance of either Table or Paragraph. *parent* would most commonly be a reference to a main Document object, but also works for a _Cell object, which itself can contain paragraphs and tables. """ if isinstance(parent, Document): parent_elm = parent.element.body elif isinstance(parent, _Cell): parent_elm = parent._tc else: raise ValueError("something's not right") for child in parent_elm.iterchildren(): if isinstance(child, CT_P): paragraph=Paragraph(child, parent) if is_image(paragraph,parent): print('[Image] ') yield get_ImagePart(paragraph, parent) print('[Text] ') yield Paragraph(child, parent) elif isinstance(child, CT_Tbl): print('[Table] ') yield Table(child, parent) def parse_word(word_path): doc = docx.Document(word_path) for part in iter_block_items(doc): print(part)

此方案是在Python顺序读取word文档中的文本与表格_python docx 读所有文本包括表格中的-CSDN博客仁兄的基础上增加了解析图片。

方案二：

方案一是利用迭代器进行遍历，无法控制，比如说遍历到某个特殊节点，需要连续处理后面几个节点时，就无法做到，因此有了方案二：

方案二可以利用next函数（python自带的迭代器）获取下一个，达到控制的结果。

两个问题：

1：无法往回读取；

2：无法获取大纲编号（可以获取等级）

以上两个问题如果有解决办法，请@我，谢谢。

【本文地址】

python

python

今日新闻

推荐新闻