Question

我尝试使用python-docx模块（pip install python-docx）但是在github repo测试样本中他们使用opendocx函数似乎非常混乱，但在readthedocs他们正在使用Document类。即使他们只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）无效，可能已被弃用。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<docx.text.Paragraph object at 0x... >

的列表

然后我做了：

for p in document.paragraphs:
    print p.text

它返回了所有文字，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）。

问题是什么？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

您可以使用改编自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 3

不安装python-docx

docx基本上是一个包含多个文件夹和文件的zip文件。在下面的链接中，您可以找到一个简单的函数来从docx文件中提取文本，而无需安装有时会产生问题的python-docx和lxml：

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

Answer 4

python-docx有两代“代”。最初的一代以0.2.x版本结束，“新”代开始于v0.3.0。新一代是旧版本的基于面向对象的重写。它有一个distinct repository located here。

opendocx（）函数是遗留API的一部分。该文档适用于新版本。旧版本没有文档可以说。

当前版本不支持读取或写入超链接。该功能在路线图上，项目正在积极开发中。事实证明它是一个相当广泛的API，因为Word具有如此多的功能。所以我们会接受它，但可能不会在下个月，除非有人决定专注于这方面并做出贡献。

Answer 5

你也可以尝试这个

from docx import Document

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

Answer 6

使用python-docx，@ Chinmoy Panda的回答显示：

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

但是，para.text将丢失w:smarttag中的文字（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 7

我有一个类似的问题所以我找到了一个解决方法（由于正则表达式删除了超链接标记，所以只剩下一个段落标记）。我在https://github.com/python-openxml/python-docx/issues/85上发布了此解决方案 BP

Answer 8

这个问题似乎没有官方的解决方案，但是这里发布了一个解决方法 https://github.com/savoirfairelinux/python-docx/commit/afd9fef6b2636c196761e5ed34eb05908e582649

只需更新此文件 "...\site-packages\docx\oxml_init_.py"

# add
import re
import sys

# add
def remove_hyperlink_tags(xml):
    if (sys.version_info > (3, 0)):
        xml = xml.decode('utf-8')
    xml = xml.replace('</w:hyperlink>', '')
    xml = re.sub('<w:hyperlink[^>]*>', '', xml)
    if (sys.version_info > (3, 0)):
        xml = xml.encode('utf-8')
    return xml
    
# update
def parse_xml(xml):
    """
    Return root lxml element obtained by parsing XML character string in
    *xml*, which can be either a Python 2.x string or unicode. The custom
    parser is used, so custom element classes are produced for elements in
    *xml* that have them.
    """
    root_element = etree.fromstring(remove_hyperlink_tags(xml), oxml_parser)
    return root_element

当然不要忘记在文档中提到使用正在更改官方库

如何使用python-docx从现有docx文件中提取文本

8 个答案: