ToB企服应用市场:ToB评测及商务社交产业平台

标题: Python 提取 Word 文档中的文本和图片 [打印本页]
作者: 瑞星    时间: 2024-2-23 13:32
标题: Python 提取 Word 文档中的文本和图片
将内容从 Word 文档中提取出来可以方便我们对其进行其他操作，如将内容储存在数据库中、将内容导入到其他程序中、用于 AI 训练以及制作其他文档等。第三方库 Spire.Doc for Python 提供了一个简单的方法直接提取 Word 文档中的内容，包括文本和图片，而不需要大量的复制粘贴操作，也不需要复杂的代码。本文将介绍如何使用简单的代码实现从 Word 文档中提取文本和图片内容并保存。
 
Python库安装： 在操作之前，需要先将Spire.Doc for Python 引入到项目中。可以下载后安装，或直接通过 pip 安装。
  1. pip install Spire.Doc
复制代码
 

Python 提取Word文档中的文本内容

Spire.Doc for Python中的 Document.GetText() 方法可以获取Word文档中的所有文本并返回字符串，我们可以将返回的字符串写入到文本文件中进行保存。
代码示例：
  1. from turtle import st
  2. from spire.doc import *
  3. from spire.doc.common import *
  5. def WriteAllText(fname:str,text:List[str]):
  6.         fp = open(fname,"w")
  7.         for s in text:
  8.             fp.write(s)
  9.         fp.close()
  11. inputFile = "示例.docx"
  12. outputFile =  "获取的文本.txt"
  13.      
  14. #创建Document的对象
  15. document = Document()
  17. #载入Word文档
  18. document.LoadFromFile(inputFile)
  20. #获取文档中的文本
  21. text = document.GetText()
  23. #将文本写入文本文件
  24. WriteAllText(outputFile, text)
  25. document.Close()
复制代码
提取结果

 
Python 提取Word文档中的图片

提取图片的操作相对复杂一些，需要判断文档元素子对象是否为图片或复合对象，如果是图片则保存，如果是复合对象则继续判断其中的子对象是否为图片。
代码示例：
  1. import queue
  2. from spire.doc import *
  3. from spire.doc.common import *
  4. import os
  6. outputPath = "Images/"
  7. inputFile = "示例.docx"
  9. if not os.path.exists(outputPath):
  10.     os.makedirs(outputPath)
  12. #创建Document的对象
  13. document = Document()
  15. #载入Word文档
  16. document.LoadFromFile(inputFile)
  18. #创建一个队列并将文档元素放入其中
  19. nodes = queue.Queue()
  20. nodes.put(document)
  22. #创建一个列表
  23. images = []
  25. #循环遍历文档元素
  26. while nodes.qsize() > 0:
  27.     node = nodes.get()
  28.     for i in range(node.ChildObjects.Count):
  29.         #获取文档元素的子对象
  30.         child = node.ChildObjects.get_Item(i)
  31.         #判断子对象是否为图片
  32.         if child.DocumentObjectType == DocumentObjectType.Picture:
  33.             picture = child if isinstance(child, DocPicture) else None
  34.             dataBytes = picture.ImageBytes
  35.             #添加到列表中
  36.             images.append(dataBytes)
  37.         #判断子对象是否为复合对象
  38.         elif isinstance(child, ICompositeObject):
  39.             #添加到队列中
  40.             nodes.put(child if isinstance(child, ICompositeObject) else None)
  42. #保存图片
  43. for i, item in enumerate(images):
  44.     fileName = "Image-{}.png".format(i)
  45.     with open(outputPath+fileName,'wb') as imageFile:
  46.         imageFile.write(item)
  47. document.Close()
复制代码
提取结果：

以上是关于如何使用Python 从Word文档中提取文本和图片的介绍。该Python Word库还支持非常多的文档操作，具体可以查看 Spire.Doc for Python中文教程。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！



欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/) Powered by Discuz! X3.4