Python 读取 Word 文档

时间:2022-09-29 盼小辉丶人气:0

前言

Word 文档 (.docx) 是另一种主要用于存储文本的常见文档。它们通常由 Microsoft Office 创建和编辑，但也可以使用其他工具生成兼容文件。它们通常是共享可编辑文件的最常见格式，同时在分发文档时也非常常见。

Python 读取 Word 文档

安装 python-docx库

在本节中，我们将学习如何使用 Python 从 Word 文档中提取文本信息。我们主要使用 python-docx 库来读取和处理 Word 文档，其安装方法与其它第三方库完全相同：

$ pip install python-docx

首先，导入 python-docx 库：

>>> import docx

打开 document_1.docx 文件：

>>> doc = docx.Document('document_1.docx')

检查存储在 core_properties 中的元数据属性，需要访问 core_properties 属性。这些属性是为 Word 定义的文档元数据属性，例如作者或创建日期。但并非所有文档都具有这些元数据信息，因为许多生成 Word 文档的工具不一定会填充这些属性：

>>> doc.core_properties.title
'Research Overview of Adversarial Attacks and Defenses on Graphs'
>>> doc.core_properties.keywords
'Abstract'
>>> doc.core_properties.modified
datetime.datetime(2020, 8, 1, 3, 11)

Word 文档中最重要的特点是数据以段落(而不是页)的形式结构化。字体大小、段落缩进和其他因素都可能会使页数发生变化。检查段落数：

>>> len(doc.paragraphs)
28

浏览段落以检测包含文本的段落，大多数段落通常是空的，或者只包含换行符、制表符或其他空白字符，检查段落时我们通常跳过这些空段落：

>>> for index, paragraph in enumerate(doc.paragraphs):
...     if paragraph.text:
...             print(index, paragraph.text)=
...
0 图对抗攻防综述
1 摘 要：
3 关键字：
5 Research Overview of Adversarial Attacks and Defenses on Graphs
6 Abstract
7 Deep neural networks (DNNs) have been widely applied to various applications, including image classification, ...
8 ...
...
27 参考文献

可以利用 paragraphs 属性获取文档段落列表并提取原始格式的文本，这些文本不包括样式信息，通常是自动处理数据时最常用的属性。获取第 5 段和第 6 段的文本，分别对应第一页的标题和副标题：

>>> doc.paragraphs[5].text
'Research Overview of Adversarial Attacks and Defenses on Graphs'
>>> doc.paragraphs[6].text
'Abstract '

每个段落都有一个 runs 属性，这是具有不同样式属性的文本分割列表。检查不同文本段落是否为粗体或斜体：

>>> doc.paragraphs[5].runs[0].bold
True
>>> doc.paragraphs[5].runs[0].italic
>>> doc.paragraphs[6].runs[0].bold
>>> doc.paragraphs[6].runs[0].italic
True

在示例 Word 文档中，大多数段落只有一个 run (即每个段落使用相同的样式)，但我们在第 7 段中文本具有许多不同的样式。例如，Deep neural networks 使用粗体样式，DNNs 使用斜体样式：

>>> run_0 = doc.paragraphs[7].runs[0]
>>> run_0.text
'Deep neural networks'
>>> run_0.bold
True
>>> run_13 = doc.paragraphs[7].runs[13]
>>> run_13.text
'DNNs'
>>> run_13.italic
True

加载全部内容