如何使用python-docx从现有docx文件中提取文本

Question

我正在尝试使用python-docxmodule(pip install python-docx),但它似乎非常混乱,因为在github repo测试样本中他们使用的是opendocx函数,但在readthedocs中他们正在使用Document类.即使他们只是展示如何将文本添加到docx文件而不是读取现有文件？

第一个(opendocx)不起作用,可能会被弃用.对于第二种情况,我试图使用:

from docx import Document

document = Document('test_doc.docx')

print document.paragraphs

它返回了一份清单 <docx.text.Paragraph object at 0x... >

然后我做了:

for p in document.paragraphs:
    print p.text

它返回了所有文本,但缺少一些东西.控制台上的文本中不存在所有URL(CTRL + CLICK转到URL).

有什么问题？为什么缺少网址？

如何在不迭代循环的情况下获得完整的文本(类似open().read())

Answer 1

你可以试试这个

import docx

def getText(filename):
    doc = docx.Document(filename)
    fullText = []
    for para in doc.paragraphs:
        fullText.append(para.text)
    return '\n'.join(fullText)

Answer 2

你也可以试试这个

from docx import Document

document = Document('demo.docx')
for para in document.paragraphs:
    print(para.text)

Answer 3

你可以使用改编自python-docx的python-docx2txt,但也可以从链接,页眉和页脚中提取文本.它还可以提取图像.

Answer 4

没有安装 python-docx

docx基本上是一个zip文件,里面有几个文件夹和文件.在下面的链接,你可以找到一个简单的函数来提取文本docx文件,而不需要安装python-docx和lxml它有时会产生问题:

http://etienned.github.io/posts/extract-text-from-word-docx-simply/

Answer 5

使用 python-docx，如 @Chinmoy Panda 的答案所示：

for para in doc.paragraphs:
    fullText.append(para.text)

但是，para.text 会丢失其中的文本w:smarttag（相应的 github 问题在这里： https: //github.com/python-openxml/python-docx/issues/328），您应该使用以下函数：

def para2text(p):
    rs = p._element.xpath('.//w:t')
    return u" ".join([r.text for r in rs])

Answer 6

python-docx有两代。最初的版本以0.2.x版本结束，“新一代”版本从v0.3.0开始。新一代是对旧版本的全新，面向对象的重写。它在此处有一个独特的存储库。

opendocx（）函数是旧版API的一部分。该文档适用于新版本。旧版本没有文档可言。

当前版本不支持读取或写入超链接。该功能正在规划中，并且该项目正在积极开发中。事实证明，这是一个相当广泛的API，因为Word具有如此众多的功能。因此，我们将继续进行下去，但是除非有人决定专注于该方面并做出贡献，否则下个月可能不会。