用Python从Word文档中提取文本和图片

1. 简介

Python是一个非常强大的程序设计语言，可以在许多不同的领域应用。其中，处理文本和图像是Python应用的两个主要领域之一。在本文中，我们将介绍如何使用Python从Word文档中提取文本和图片。

2. Python读取Word

Python提供了几个包来读取和处理Word文档，其中最受欢迎的是Python-docx。Python-docx是一个Python库，可以读取、编辑和写入Word文档。

2.1 安装Python-docx

安装Python-docx非常容易。您可以使用pip安装Python-docx：

pip install python-docx

2.2 读取Word文档

在本文中，我们将使用示例Word文档“example.docx”。

以下是如何使用Python-docx读取Word文档的代码：

import docx

# 打开文档
doc = docx.Document('example.docx')
# 打印文档中的段落
for para in doc.paragraphs:
    print(para.text)
# 打印文档中的表格
for table in doc.tables:
    for row in table.rows:
        for cell in row.cells:
            print(cell.text)

上述代码打印出Word文档中的所有段落和表格。

3. 从Word文档中提取文本

提取Word文档中的文本可能是Python处理Word文档的最常见任务之一。在本节中，我们将介绍如何使用Python-docx提取Word文档中的文本。

3.1 提取段落文本

要提取Word文档中的段落文本，只需使用Python-docx中的paragraphs属性。以下是如何提取段落文本的代码：

import docx

# 打开文档
doc = docx.Document('example.docx')
# 提取段落文本
texts = []
for para in doc.paragraphs:
    texts.append(para.text)
# 打印段落文本
print(texts)

以上代码将提取“example.docx”中的所有段落文本，并将其存储在名为“texts”的列表中。

3.2 提取表格文本

要提取Word文档中的表格文本，只需使用Python-docx中的tables属性。以下是如何提取表格文本的代码：

import docx

# 打开文档
doc = docx.Document('example.docx')
# 提取表格文本
texts = []
for table in doc.tables:
    for row in table.rows:
        for cell in row.cells:
            texts.append(cell.text)
# 打印表格文本
print(texts)

以上代码将提取“example.docx”中的所有表格单元格文本，并将其存储在名为“texts”的列表中。

4. 从Word文档中提取图片

Python-docx还可以从Word文档中提取图片数据。以下是如何使用Python-docx提取Word文档中的图片数据的代码：

import docx

# 打开文档
doc = docx.Document('example.docx')
# 提取图片数据
for image in doc.inline_shapes:
    with open(image.image.filename, 'wb') as f:
        f.write(image.image.blob)

以上代码将提取“example.docx”中的所有图片，并以二进制格式将它们写入文件中。

5. 结论

本文介绍了如何使用Python-docx从Word文档中提取文本和图片。Python-docx是一个非常灵活和强大的Python库，可以在处理Word文档方面提供很多帮助。