Question

我正在尝试从docx文件中提取页面和标题数据。该文件是几百页，每个页面都有一个表和一个标题。标题具有需要与每个表配对的相关信息。我能够提取标题和表格数据，我无法将它们可靠地配对在一起。

使用win32com这是我到目前为止所拥有的

# getting the table page number
app = Dispatch("Word.Application")
doc = app.Documents.Open(filename)
table_1_page = doc.Tables(1).Range.Information(3) # 3 == wdActiveEndPageNumber

出现问题是因为标题TextFrames并且在多个页面上重复，所以当我调用时：

# getting the header page number
doc.Sections(1).Headers(1).Shapes(1).TextFrame.TextRange.Information(3)

我得到TextFrame发生的其中一个页面。页面选择似乎有点武断，有时它的第一个是最后一个，但它不可预测。

我花了一些时间阅读对象模型here。最终，捕捉每页显示的所有项目而不重新发明轮子会很好。

每个请求编辑10/25/16，这是一些最低工作代码**

# filename docx_parser.py

import pythoncom


class OpenDoc(object):
    def __init__(self, docx_path):
        import win32com.client as win32
        self.path = docx_path
        self.word = win32.Dispatch("Word.Application")
        self.word.Visible = 0
        self.word.Documents.Open(p)
        self.doc = self.word.ActiveDocument

    def get_table_count(self):
        return self.doc.Tables.Count

    def count_table_rows(self, table):
        return table.Rows.Count

    def count_table_columns(self, table):
        return table.Columns.Count

    def get_headers(self):
        headers = self.doc.Sections(1).Headers(1)
        shape_count = headers.Shapes.Count
        for shape_num in range(1, shape_count + 1):
            t_range = headers.Shapes(shape_num).TextFrame.TextRange
            text = t_range.Text
            page_num = t_range.Information(3)  # 3 == wdActiveEndPageNumber
            yield text, page_num

    def get_table_text(self, table):
        col_count = self.count_table_columns(table)
        row_count = self.count_table_rows(table)

        for row in range(1, row_count + 1):
            row_data = []
            for col in range(1, col_count + 1):
                try:
                    row_data.append(table.Cell(Row=row, Column=col).Range.Text.strip(chr(7) + chr(13)))
                except pythoncom.com_error as error:
                    row_data.append("")

            yield row_data

    def get_all_table_text(self):
        for table in self.get_tables():
            table_data = []
            for row_data in self.get_table_text(table):
                table_data.append(row_data)
            yield table_data

    def get_tables(self):
        for table in self.doc.Tables:
            yield table

    def __del__(self):
        self.word.Quit()


if __name__ == "__main__":
    try:
        path = r"sample.docx"
        open_doc = OpenDoc(path)
        for table_num, table_text in enumerate(open_doc.get_all_table_text()):
            print("\n-------------- Table %s ----------------" % (table_num + 1))
            for row_data in table_text:
                print(", ".join(row_data))

        for header_text, page_num in open_doc.get_headers():
            print("header page number: %s, text: %s" % (page_num, header_text))
    except Exception as error:
        from traceback import format_exc

        print(format_exc())

raw_input("")

从.docx文件中提取标题和表格文本

每个请求编辑10/25/16，这是一些最低工作代码**

0 个答案: