Python解析.docx文件提取正文内容的原理与实现

本文介绍利用Python读取*.docx文件信息的方法，部分python-word库的功能即建立在此基础之上。

内容分为两个部分进行说明：

• Word(*.docx)文件结构简述
• Python提取Word信息的具体步骤

Word(*.docx)文件结构简述

2008年以前，Office套件中的Word主要使用.doc二进制格式，该格式与其他软件的兼容性较差。为适应技术发展，微软采用类XML格式标准定义了新版Word文件.docx。.docx文件实际上是一个ZIP压缩包，例如名为test.docx的文件：

其内部结构如下：

将文件后缀名改为test.zip后解压，可获得以下文件列表：

其中，Word文档的正文内容保存在word/document.xml文件中，打开该文件可查看具体内容：

Python提取Word信息

依据Word（.docx）文件格式，提取正文信息需遵循以下步骤：

1 解压.docx文件；2 使用BeautifulSoup解析word/document.xml以提取正文信息。

具体实现代码如下：

from zipfile import ZipFile
from bs4 import BeautifulSoup

document=ZipFile('test.docx')
xml=document.read("word/document.xml")
wordObj=BeautifulSoup(xml.decode("utf-8"))
texts=wordObj.findAll("w:t")
for text in texts:
  print(text.text)

以上即为本文的全部内容，希望对读者的学习有所帮助，也欢迎大家继续支持本站。