提取标题＆＃39; word doc

Question

我试图从MS Word文档（.docx文件）中的标题（任何级别）中提取text。目前我正在尝试使用python-docx进行解决，但不幸的是，在阅读之后我仍然无法弄清楚它是否可行（也许我错了）。

我试图在线寻找解决方案，但没有发现我的任务具体。如果有人可以在这里指导我，那将是很棒的。

Answer 1

基本挑战是识别标题段落。就读者而言，没有什么可以阻止作者将“常规”段落格式化为（并作为）标题。

然而，作者可靠地使用样式来创建标题并不罕见，因为这样做可以自动将这些标题编译成目录。

在这种情况下，您可以迭代段落，并选择其中一种标题样式。

def iter_headings(paragraphs):
    for paragraph in paragraphs:
        if paragraph.style.name.startswith('Heading'):
            yield paragraph

for heading in iter_headings(document.paragraphs):
    print heading.text

如果标题级别保持默认值（例如“标题1”，“标题2”，......），则可以从完整样式名称中解析标题级别。

如果作者已重命名标题样式，则可能需要进行调整。

有更复杂的方法更可靠（就样式名称而言），但那些没有API支持，所以你需要深入研究内部代码并与一些样式XML交互直接我期待。