我是Python和编码的新手。新的我有问题，需要你的帮助。 我尝试使用Python-docx读取docx文档，但我想要的所有文本都在ContentControl中。当我尝试使用ContentControl打印段落的文本时，会发生错误。
例如，我尝试使用
打印第一个paragrapheimport docx
doc= docx.Document("C:\ContentControl.docx")
p=doc.paragraphs
print(p[0].text)
然后我收到如下错误：
UnicodeEncodeError: 'gbk' codec can't encode character '\xa0' in position 8: illegal multibyte sequence
那么我该怎么做才能在ContentControl中获取文本？ 非常感谢你的帮助！
答案 0 :(得分：0)
你不能，使用Python-docx。
如果您检查https://github.com/python-openxml/python-docx/blob/master/docx/oxml/text/paragraph.py - 读取段落及其内容的代码 - ，您可以看到它只解析<w:p>的两个子元素：来自<w:pPr>的格式，以及其文本从<w:r>开始。文本运行的内容使用text/run.py进行解析，它遍历其元素并存储rPr的数据（本地文本运行格式），t（纯文本本身）和{{ 1}}（一个文字标签），还有一些。
但Word的“contentControl”存储在另一个标记中，未已解析！
tab（来自您的示例文档;为简洁起见，省略了一些代码）
如您所见，ContentControl数据位于<w:p> <!-- paragraph -->
<w:r> <!-- text runs -->
<w:t>Editions :</w:t> <!-- plain text -->
</w:r> <!-- end text run -->
<w:sdt>
<w:sdtPr>
<w:sdtContent> <!-- something else! -->
<w:r>
<w:t>Henry</w:t>
</w:r>
</w:sdtContent>
</w:sdt>
<w:r> <!-- next text run; just a tab -->
<w:tab/>
<w:t xml:space="preserve"> </w:t>
</w:r> <!-- end of that text run -->
</w:p>标记内，而<w:sdt>标记又是<w:p>的直接后代。因此，读取其数据的代码应该在paragraph.py中，但不是。
您可以克隆python-docx并自行添加<w:sdt>的正确处理（here就是您需要的所有信息），但使用Word本身可能更容易，使用VBA宏将这些宏转换为纯文本。
顺便说一下，你的错误代码与此无关。 “违规”字符是“版本”行中的不间断空格，存储为 。您的文本解码器应该没有任何问题。问题可能是由于您使用gbk解码器而不是UTF-8引起的。文档中有一些中文字符，但也写成十进制转义的Unicode字符;没有非ASCII字符。