Python读取Word（.docx）正文信息

本文介绍用Python简单读取*.docx文件信息，一些python-word库就是对这种方法的扩展。

介绍分两部分：

• Word(*.docx)文件简述
• Python提取Word信息

---

Word(*.docx)文件简述

大约在2008年以前，Office产品中Word用.doc文件格式，这种二进制格式很难与其他软件兼容。
为了跟上时代，微软采用类XML格式标准定义其新版Word文件.docx。
.docx实际上是一个zip的压缩文件，比如我们有一个test.docx的文件：

其内容如下：

改变其后缀名为test.zip，然后解压，会得到如下文件：

其中Word文件的正文内容被保持在word/document.xml中，我们可以打开查看：

Python提取Word信息

根据Word（.docx）文件格式，我们遵循如下步骤进行正文信息的提取：
1 解压.docx文件
2 用BeautifulSoup解析word/document.xml提取正文信息

具体代码如下：

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)