Question

我想在Word 2007文件（.docx）中搜索文本字符串，例如，可以/可以从Word中的搜索中找到的“某些特殊短语”。

Python有没有办法看到文字？我对格式化没兴趣 - 我只是想将文档归类为是否有“某些特殊短语”。

Answer 1

在阅读上面的帖子后，我制作了一个100％的原生Python docx模块来解决这个特定的问题。

# Import the module
from docx import *

# Open the .docx file
document = opendocx('A document.docx')

# Search returns true if found    
search(document,'your search string')

docx模块位于https://python-docx.readthedocs.org/en/latest/

Answer 2

更确切地说，.docx文档是OpenXML格式的Zip存档：首先要解压缩它。
我下载了一个示例（Google：一些搜索字词文件类型：docx ），解压后我找到了一些文件夹。 word 文件夹包含文档本身，位于文件 document.xml 中。

Answer 3

在此示例中，“Course Outline.docx”是Word 2007文档，其中包含单词“Windows”，并且不包含短语“random other string”。

>>> import zipfile
>>> z = zipfile.ZipFile("Course Outline.docx")
>>> "Windows" in z.read("word/document.xml")
True
>>> "random other string" in z.read("word/document.xml")
False
>>> z.close()

基本上，您只需使用zipfile打开docx文件（这是一个zip存档），然后在'word'文件夹中找到'document.xml'文件中的内容。如果你想要更复杂，那么你可以parse the XML，但如果你只是在寻找一个短语（你知道它不是一个标签），那么你可以只查看XML中的字符串

Answer 4

在Word文档XML文件中搜索的问题是文本可以拆分为任何字符的元素。如果格式不同，它肯定会被拆分，例如在Hello World 中。但它可以在任何点分割，这在OOXML中是有效的。所以你最终会像这样处理XML，即使格式在短语中间没有改变！

<w:p w:rsidR="00C07F31" w:rsidRDefault="003F6D7A">

<w:r w:rsidRPr="003F6D7A">

<w:rPr>

<w:b /> 

</w:rPr>

<w:t>Hello</w:t> 

</w:r>

<w:r>

<w:t xml:space="preserve">World.</w:t> 

</w:r>

</w:p>

您当然可以将其加载到XML DOM树中（不确定这将在Python中是什么）并要求仅将文本作为字符串获取，但您可能因为OOXML而导致许多其他“死胡同”规范大约6000页长，MS Word可以写出许多你不期望的“东西”。所以你最终可能会编写自己的文档处理库。

或者您可以尝试使用Aspose.Words。

它以.NET和Java产品的形式提供。两者都可以在Python中使用。一个通过COM Interop另一个通过JPype。请参阅Aspose.Words程序员指南，在其他编程语言中使用Aspose.Words（抱歉，我无法发布第二个链接，stackoverflow不允许我）。

Answer 5

docx只是一个包含大量文件的zip存档。也许你可以看一下这些文件的一些内容？除此之外，您可能必须找到一个理解单词格式的库，以便您可以过滤掉您不感兴趣的内容。

第二种选择是与单词互操作并通过它进行搜索。

Answer 6

您可以使用docx2txt获取docx中的文本，而不是在该txt中搜索

npm install -g docx2txt
docx2txt input.docx # This will  print the text to stdout

Answer 7

docx文件本质上是一个zip文件，里面有一个xml xml包含格式，但它也包含文本。

Answer 8

OLE自动化可能是最简单的。您必须考虑格式化，因为文本在XML中可能如下所示：

<b>Looking <i>for</i> this <u>phrase</u>

使用简单的文本扫描找不到简单的方法。

Answer 9

您应该能够使用MSWord ActiveX接口提取要搜索的文本（或者，可能进行搜索）。我不知道你如何从Python访问ActiveX。

Answer 10

您也可以考虑使用OpenXMLDeveloper.org

中的库

如何在Word 2007 .docx文件中搜索单词？

10 个答案: