python docx提取word中的目录及文本框中的文本

问题描述

同标题

解决方案

因未在docx库找到直接识别word中目录及文本框中文本的方法，所以采用了一个“笨”方法，docx库可以把word文档解析成xml格式，以解析xml的方式查找目录及文本框中文本，具体做法：
迭代出文档的所有element，其中目录的tag为“std”，找到它后提出他的所有文本即为目录文本；文本框的tag 为“textbox”，找到它后还要继续下钻寻找tag为 'r’的element,提取其文本则为文本框中文本。

# 提取word目录
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
for child in children:
    # 通过类型判断目录
    if child.tag.endswith('main}sdt'):
        for ci in child.iter():
            if ci.text and ci.text.strip():
                child_iters.append(ci)
catalog = [ci.text for ci in child_iters]

# 提取word文本框中文本
file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
for child in children:
    # 通过类型判断目录
    if child.tag.endswith('textbox'):
        for ci in child.iter():
            if ci.tag.endswith('main}r'):
                child_iters.append(ci)
textbox = [ci.text for ci in child_iters]

AlternateContent这个标签是第一次做的时候提取的，当时还比较灵验，最近发现有些文本域又提取不到，又重新找到了‘pict’的标签，目前找标签都是基于测试的，如可以查一下那个标签是对应文本域的就好了。
——————————————————————————————————————
文本域的标签，第一次找的是AlternateContent，后来发现对有些文本域失效；第二次又找到了pict，基本覆盖了测试的所有文本域；第三次把word文档的标签都找出来看了一下，发现textbox这个标签看着更靠谱，用它测试了一下，也能覆盖所有的测试文本域，决定就选择这个标签。

提取文本后，又有了新需求，提取的文本很多都不成句，呈短语或单词的形式，需要把提取的文本还原成段落形式：

file = docx.Document(file_path)
children = file.element.body.iter()
child_iters = []
tags = []
for child in children:
    # 通过类型判断目录
    if child.tag.endswith(('AlternateContent','textbox')):
        for ci in child.iter():
            tags.append(ci.tag)
            if ci.tag.endswith(('main}r', 'main}pPr')):
                child_iters.append(ci)
text = ['']
for ci in child_iters :
    if ci.tag.endswith('main}pPr'):
        text.append('')
    else:
        text[-1] += ci.text
    ci.text = ''
trans_text = ['***'+t+'***' for t in text]
print(trans_text)
i， k = 0, 0
for ci in child_iters :
    if ci.tag.endswith('main}pPr'):
        i += 1
        k = 0
    elif k == 0:
        ci.text = trans_text[i]
        k = 1
file.save('E:/***/test.docx')

把标签pPr当做换行标志， 把提取的文本每段前后都加了“***”后又写回文档中。

注：这里又发现AlternateContent这个标签必须要带上，否则可以提取文本域内的文字，但改变文字写回去保存word不显示更改后的文字。