提取MS Word文档格式元素以及原始文本信息

Question

在this post @mikemaccana中描述了如何使用python-docx从python中的MS Word文档中提取原始文本数据。我想更进一步。我还可以使用此模块来获取有关字体（例如粗体与斜体）或字体大小（例如12对18pt）的信息，而不是简单地提取原始文本信息。我最接近的是this post询问使用此模块提取突出显示的文本条目。

看起来有点抽象，我不完全确定这里发生了什么。有没有更简单的方法从python中的Word文档中提取格式信息？通过快速文档模板：

  

这里第一行是一个带有一个句子的大标题。

     

第二行略小。它也有两个句子。

     

更小。但那还不是全部。这一行有三个句子。

     

最后，这是一个非常规的文本行。

如果我们将这四行称为word文档，我想编写一个解析函数，称之为doc_parser，它会返回之类的以下内容：

>>>> doc_data = doc_parser(path_to_example_doc)
>>>> print(doc_data)
[1] [{'font': 18, 'face': 'bold', 'n_sentence': 1}, 
{'font': 16, 'face': 'bold', 'n_sentence': 2}, 
{'font': 14, 'face': 'bold', 'n_sentence': 3}, 
{'font': 12, 'face': 'plain', 'n_sentence': 1}]

Answer 1

字符级格式化（＆＃34; font＆＃34;）属性在运行级别可用。段落由运行组成。因此，您可以通过下达到该级别来获得您想要的内容，例如：

for paragraph in document.paragraphs:
    for run in paragraph.runs:
        font = run.font
        is_bold = font.bold
        etc.

您可能遇到的最大问题是，该运行只知道直接应用于它的格式。如果它看起来像是因为样式已应用于它，你必须查询样式（也有一个字体对象）以查看它具有的属性。

请注意，Mike正在谈论的python-docx是在v0.2.0（现在为0.8.6）之后完全重写的遗留版本。文档在这里：http://python-docx.readthedocs.org/en/latest/