如何使用 python-docx 从现有 docx 文件中提取文本

问题描述：

我正在尝试使用python-docx模块（pip install python-docx），但它似乎非常令人困惑，因为在github repo测试示例中他们使用的是opendocx函数，但在readthedocs中他们使用的Document是类。即使他们只展示了如何将文本添加到 docx 文件，而不是读取现有文件？

第一个 ( opendocx) 不起作用，可能已被弃用。对于第二种情况，我尝试使用：

from docx import Document

document = Document('test_doc.docx')
print(document.paragraphs)

它返回了一个列表<docx.text.Paragraph object at 0x... >

然后我做了：

for p in document.paragraphs:
    print(p.text)

它返回了所有文本，但缺少了一些内容。控制台上的文本中不存在所有 URL（按 CTRL+CLICK 转到 URL）。

问题是什么？为什么 URL 丢失了？

我怎样才能在不迭代循环的情况下获得完整的文本（例如open().read()）

解决方案 1：

你可以尝试这个

import docx

def getText(filename):
    doc = docx.Document(filename)
    fullText = []
    for para in doc.paragraphs:
        fullText.append(para.text)
    return '
'.join(fullText)

解决方案 2：

您可以使用python-docx2txt，它改编自 python-docx，但也可以从链接、页眉和页脚中提取文本。它还可以提取图像。

解决方案 3：

无需安装python-docx

docx基本上是一个 zip 文件，其中包含多个文件夹和文件。在下面的链接中，您可以找到一个简单的函数来从docx文件中提取文本，而无需依赖后者python-docx，lxml后者有时很难安装：

http://etienned.github.io/posts/extract-text-from-word-docx-simply/

解决方案 4：

python-docx 有两“代”。初始代以 0.2.x 版本结束，“新”代从 v0.3.0 开始。新代是对旧版本的全新、面向对象的重写。它有一个独特的存储库，位于此处。

opendocx() 函数是旧版 API 的一部分。文档适用于新版本。旧版没有任何文档可言。

当前版本不支持读取或写入超链接。该功能已列入规划，项目正在积极开发中。由于 Word 具有如此多的功能，因此它是一个非常广泛的 API。所以我们会开始实现它，但可能不会在下个月实现，除非有人决定专注于这方面并做出贡献。 更新此答案之后添加了超链接支持。

解决方案 5：

使用 python-docx，如@Chinmoy Panda 的答案所示：

for para in doc.paragraphs:
    fullText.append(para.text)

但是，para.text 会丢失中的文本w:smarttag（对应的 github 问题在这里：https://github.com/python-openxml/python-docx/issues/328），您应该使用以下函数：

def para2text(p):
    rs = p._element.xpath('.//w:t')
    return u" ".join([r.text for r in rs])

解决方案 6：

似乎这个问题没有官方的解决方案，但是这里发布了一个解决方法
https://github.com/savoirfairelinux/python-docx/commit/afd9fef6b2636c196761e5ed34eb05908e582649

只需更新此文件“...\site-packages\docx\oxml_ init _.py”

# add
import re
import sys

# add
def remove_hyperlink_tags(xml):
    if (sys.version_info > (3, 0)):
        xml = xml.decode('utf-8')
    xml = xml.replace('</w:hyperlink>', '')
    xml = re.sub('<w:hyperlink[^>]*>', '', xml)
    if (sys.version_info > (3, 0)):
        xml = xml.encode('utf-8')
    return xml
    
# update
def parse_xml(xml):
    """
    Return root lxml element obtained by parsing XML character string in
    *xml*, which can be either a Python 2.x string or unicode. The custom
    parser is used, so custom element classes are produced for elements in
    *xml* that have them.
    """
    root_element = etree.fromstring(remove_hyperlink_tags(xml), oxml_parser)
    return root_element

当然，不要忘记在文档中提到我们正在改变官方库