python-docx 解析文字与图片

时间：2024-02-24 16:54:36

python-docx是用来解析docx类型文档的库，可以方便提取每个段落中的文字，但是对图片和表格没有办法处理。使用网上的这段代码，可以批量提取docx文档中图片，但无法保留与文字的相关次序：

from os.path import basename
from docx import Document
file_name = "D:/2.docx"
doc = Document(file_name)
for shape in doc.inline_shapes:
    contentID = shape._inline.graphic.graphicData.pic.blipFill.blip.embed
    contentType = doc.part.related_parts[contentID].content_type
    if not contentType.startswith(\'image\'):
        continue
    imgName = basename(doc.part.related_parts[contentID].partname)
    print(contentID, contentType, imgName)
    # imgData = doc.part.related_parts[contentID]._blob
    imgData = doc.part.related_parts[contentID].blob
    with open(\'D:/docx_pro/output/\' + imgName, \'wb\') as fp:
        fp.write(imgData)

上述代码利用Document对象中inline_shapes方法遍历出所有图片的标签，并映射到文档中图片，进而输出。实际上，内联的图片ID存在于paraghaphs对象中的runs对象中，可以使用element.xml属性正则提取ID，进而序化保存，修改代码为：

from docx import Document
from os.path import basename
import re
file_name = "D:/2.docx"
doc = Document(file_name)
a = list()
pattern = re.compile(\'rId\d+\')
for graph in doc.paragraphs:
    b = list()
    for run in graph.runs:
        if run.text != \'\':
            b.append(run.text)
        else:
            # b.append(pattern.search(run.element.xml))
            contentID = pattern.search(run.element.xml).group(0)
            try:
                contentType = doc.part.related_parts[contentID].content_type
            except KeyError as e:
                print(e)
                continue
            if not contentType.startswith(\'image\'):
                continue
            imgName = basename(doc.part.related_parts[contentID].partname)
            imgData = doc.part.related_parts[contentID].blob
            b.append(imgData)
    a.append(b)

这样就可以得到文档的序化列表，保存到mongodb中。

python-docx-images

对于docx文档转换并保存到数据库中，这里存在多个问题：

  • 原始格式丢失，不过对于轻格式文档来说，不是问题
  • 图片中存在类似于wmf和emf格式的图片，网页无法显示，这也是mammoth库转docx文档会出现某些图片不显示的问题。两种思路解决：
  • 将wmf类型转成png等类型，但这会丢失公式的排版和可编辑性
  • 将wmf类型转换或识别为LaTeX格式，mathtype可以实现，但对emf格式不行；mathpix有图片识别接口，超量收费；网上存有im2latex的库，试过一个，效果不如mathpix，后期填坑目标
  • 表格数据丢失，尝试用Document属性解决，目前没有找到合适的，但mammoth库可以显示table块，虽然样式有问题，后期尝试用其源码实现下

相关文章