从 Python 中的 MS Word 文档中提取标题

Question

我有一个 MS Word 文档包含一些文本和标题，我想提取标题，我安装了 Python for win32，但我不知道使用哪种方法，似乎 python for windows 的帮助文档没有列出功能的词对象。以下面的代码为例

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

我怎么知道word对象的所有功能？我在帮助文档中没有找到任何有用的东西。

Answer 1

Word 对象模型可以在此处找到。您的doc对象将包含这些属性，您可以使用它们来执行所需的操作（请注意，我没有在 Word 中使用此功能，因此我对对象模型的了解很少）。例如，如果您想阅读文档中的所有单词，您可以这样做：

for word in doc.Words:
    print word

你会得到所有的单词。这些word项目中的每一个都将是一个Word对象（参考此处），因此您可以在迭代期间访问这些属性。对于您的情况，您可以通过以下方式获得样式：

for word in doc.Words:
    print word.Style

在具有单个标题 1 和普通文本的示例文档上，将打印：

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

要将标题分组在一起，您可以使用itertools.groupby. 正如下面的代码注释中所解释的，您需要引用str()对象本身的 ，因为 usingword.Style返回的实例无法与相同样式的其他实例正确分组：

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)

这输出：

Heading 1 Here is some text

Normal 
No header

如果用列表理解替换join，您将得到以下内容（您可以在其中看到换行符）：

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