• python文件处理：解析docx/word文件文字、图片、复选框

    前言

            因为一些项目原因，我需要提供解析docx内容功能。本来以为这是一件比较简单的工作，没想到在解析复选框选项上吃了亏，并且较长一段时间内通过各种渠道都没有真正解决这一问题，反而绕了远路。

            终于，我在github python-docx模块的Issues中找到了重要的思路及线索，并最终通过后续努力，实现了【解析docx/word文件文字、图片、复选框】这一功能。

    Feature: Read checkboxes in Word forms · Issue #224 · python-openxml/python-docx · GitHub

     python-docx基础操作

    1. # 安装python-docx模块
    2. pip install python-docx
    1. import os
    2. import docx
    3. import time
    4.  
    5. # 图片附件的存储地址
    6. image_save_path = 'appendix_dir'
    7.  
    8. # 读取docx表格里的数据，图片及文字
    9. def read_table_from_docx(file_path):
    10.     """
    11.     :param file_path:
    12.     :return: table_data, images
    13.     """
    14.  
    15.     # 读取docx/word文件
    16.     doc = docx.Document(file_path)
    17.  
    18.     # 获取docx中的table对象
    19.     tables = doc.tables
    20.     table_data = []
    21.     images = []
    22.  
    23.     # 拿取文件中的图片对象，并存储在images列表里
    24.     for rel in doc.part.rels.values():
    25.         if "image" in rel.reltype:
    26.             image = rel.target_part
    27.             image_data = image.blob
    28.             images.append(image_data)
    29.  
    30.     # 读取文件表格中的文字内容
    31.     # 这里不能解析特殊字符和复选框
    32.     # 并且合并单元格的文字内容，将出现多行多列重复出现，需要注意
    33.     for table in tables:
    34.         for row in table.rows:
    35.             row_data = []
    36.             for cell in row.cells:
    37.                 # print(cell, cell.text)
    38.                 row_data.append(cell.text)
    39.             table_data.append(row_data)
    40.  
    41.     return table_data, images
    42.  
    43. table_data, images = read_table_from_docx('template.docx')
    44. print(table_data)
    45.  
    46. # 另存docx图片到本地
    47. for i, image_data in enumerate(images):
    48.     # 拼接 存储图片 绝对路径
    49.     image_name = f"expert_{int(time.time() * 1000)}.jpg"
    50.     with open(os.path.join(image_save_path, image_name), "wb") as f:
    51.         f.write(image_data)

    拿取复选框选项 

            关于docx复选框，在这次项目中遇到了一种独特的复选框样式，这种样式并不是通过wps里的【复选框内容控件】创建的，让我一时没办法找到方向。

            这是正常用wps添加的复选框方式

            很明显，和我的目标不太一样

            二者都没办法通过【python-docx基础操作】拿到，因此我只能继续刨坑，终于如【前言】所述，我不得已去模块github的评论区里找到了线索——直接以xml的形式剖析docx文件，并获取复选框选项。

            这里为了节约文本资源（太懒了），直接上代码吧！

    1. from docx import Document
    2.  
    3. document = Document('template1.docx')
    4. tables = document.tables
    5. content = []
    6. for table in tables:
    7.     for row in table.rows:
    8.         for cell in row.cells:
    9.             for paragraph in cell.paragraphs:
    10.                 p = paragraph._element
    11.  
    12.                 # 打印docx的xml内容形式
    13.                 # print(p.xml)
    14.  
    15.                 # 拿取所有标签的匹配xml数据
    16.                 checkBoxes = p.xpath('.//w14:checkbox')
    17.                 if checkBoxes:
    18.                     # 解析内部的内容
    19.                     for checkBox in checkBoxes:
    20.                         # 尝试匹配xml中的对象，也就是上面wps自建的复选框
    21.                         checked_state = checkBox.xpath('.//w14:checked/@w14:val', namespaces={'w14':'http://schemas.microsoft.com/office/word/2010/wordml'})
    22.                         if checked_state:
    23.                             checked_value = checked_state[0]  # 获取第一个匹配的属性值
    24.                             print(paragraph.text, "Checked value:", checked_value)
    25.                             break
    26.  
    27.                 # 这是原模板的复选框选项拿取方案
    28.                 # checkBoxes = p.xpath('.//w:r')
    29.                 # if checkBoxes:
    30.                 #     for checkBox in checkBoxes:
    31.                 #         checked_state = checkBox.xpath('.//w:sym/@w:char')
    32.                 #         if checked_state:
    33.                 #             checked_value = checked_state[0]  # 获取第一个匹配的属性值
    34.                 #             print(paragraph.text, "Checked value:", checked_value)
    35.                 #             break

            这是我的结果【1是选择，0是未选择】

            这是docx解析后的xml内容，请自行体会代码与它的联系吧

    1. "http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:wpc="http://schemas.microsoft.com/office/word/2010/wordprocessingCanvas" xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math" xmlns:v="urn:schemas-microsoft-com:vml" xmlns:wp14="http://schemas.microsoft.com/office/word/2010/wordprocessingDrawing" xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing" xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml" xmlns:w10="urn:schemas-microsoft-com:office:word" xmlns:w15="http://schemas.microsoft.com/office/word/2012/wordml" xmlns:wpg="http://schemas.microsoft.com/office/word/2010/wordprocessingGroup" xmlns:wpi="http://schemas.microsoft.com/office/word/2010/wordprocessingInk" xmlns:wne="http://schemas.microsoft.com/office/word/2006/wordml" xmlns:wps="http://schemas.microsoft.com/office/word/2010/wordprocessingShape" xmlns:wpsCustomData="http://www.wps.cn/officeDocument/2013/wpsCustomData">
    2.   
    3.     "both"/>
    4.     
    5.       "eastAsia" w:ascii="仿宋_GB2312" w:hAnsi="仿宋_GB2312" w:eastAsia="仿宋_GB2312" w:cs="仿宋_GB2312"/>
    6.       "single"/>
    7.       "en-US" w:eastAsia="zh-CN"/>
    8.     
    9.   
    10.   
    11.     
    12.       "default" w:ascii="仿宋_GB2312" w:hAnsi="仿宋_GB2312" w:eastAsia="仿宋_GB2312" w:cs="仿宋_GB2312"/>
    13.       "21"/>
    14.       "21"/>
    15.     
    16.     "Wingdings" w:char="00A8"/>
    17.   
    18.   
    19.     
    20.       "eastAsia" w:ascii="仿宋_GB2312" w:hAnsi="仿宋_GB2312" w:eastAsia="仿宋_GB2312" w:cs="仿宋_GB2312"/>
    21.       "21"/>
    22.       "21"/>
    23.       "en-US" w:eastAsia="zh-CN"/>
    24.     
    25.     这是选项一
    26.   
    27.   id="0" w:name="_GoBack"/>
    28.   id="0"/>
    29.   
    30.     
    31.       
    32.         "eastAsia" w:ascii="仿宋_GB2312" w:hAnsi="仿宋_GB2312" w:eastAsia="仿宋_GB2312" w:cs="仿宋_GB2312"/>
    33.         "auto"/>
    34.         "2"/>
    35.         "21"/>
    36.         "24"/>
    37.         "en-US" w:eastAsia="zh-CN" w:bidi="ar-SA"/>
    38.       
    39.       id w:val="147457823"/>
    40.       
    41.         "1"/>
    42.         "2612" w14:font="MS Gothic"/>
    43.         "2610" w14:font="MS Gothic"/>
    44.       
    45.     
    46.     
    47.       
    48.         "eastAsia" w:ascii="仿宋_GB2312" w:hAnsi="仿宋_GB2312" w:eastAsia="仿宋_GB2312" w:cs="仿宋_GB2312"/>
    49.         "auto"/>
    50.         "2"/>
    51.         "21"/>
    52.         "24"/>
    53.         "en-US" w:eastAsia="zh-CN" w:bidi="ar-SA"/>
    54.       
    55.     
    56.     
    57.       
    58.         
    59.           ascii="MS Gothic" w:hAnsi="MS Gothic" w:eastAsia="宋体" w:cs="Times New Roman"/>
    60.           "auto"/>
    61.           "2"/>
    62.           "21"/>
    63.           "24"/>
    64.           "en-US" w:eastAsia="zh-CN" w:bidi="ar-SA"/>
    65.         
    66.         ☒
    67.       
    68.     
    69.   
    70.   
    71.     
    72.       "eastAsia" w:ascii="仿宋_GB2312" w:hAnsi="仿宋_GB2312" w:eastAsia="仿宋_GB2312" w:cs="仿宋_GB2312"/>
    73.       "0"/>
    74.       "0"/>
    75.       "000000"/>
    76.       "0"/>
    77.       "21"/>
    78.       "21"/>
    79.       "none"/>
    80.       "single" w:color="000000" w:sz="4" w:space="0"/>
    81.       "en-US" w:eastAsia="zh-CN" w:bidi="ar"/>
    82.     
    83.     
    84.       "0" distB="0" distL="114300" distR="114300" simplePos="0" relativeHeight="251659264" behindDoc="0" locked="0" layoutInCell="1" allowOverlap="1">
    85.         "0" y="0"/>
    86.         "column">
    87.           0
    88.         
    89.         "paragraph">
    90.           0
    91.         
    92.         "18415" cy="19685"/>
    93.         "0" t="0" r="0" b="0"/>
    94.         
    95.         id="1" name="图片_2"/>
    96.         
    97.         "http://schemas.openxmlformats.org/drawingml/2006/main">
    98.           "http://schemas.openxmlformats.org/drawingml/2006/picture">
    99.             "http://schemas.openxmlformats.org/drawingml/2006/picture">
    100.               
    101.                 id="1" name="图片_2"/>
    102.                 
    103.               
    104.               
    105.                 "rId4"/>
    106.                 
    107.                   
    108.                 
    109.               
    110.               
    111.                 
    112.                   "0" y="0"/>
    113.                   "18415" cy="19685"/>
    114.                 
    115.                 "rect">
    116.                   
    117.                 
    118.                 
    119.                 
    120.                   
    121.                 
    122.               
    123.             
    124.           
    125.         
    126.       
    127.     
    128.
  • 相关阅读:
    css：不同设备的适配和响应
    Maven 仓库地址
    ggplot 分面的细节调整汇总
    QT中软件cpu占用率很高，甚至达到了50% 62%左右
    网络编程套接字
    力扣：165. 比较版本号（Python3）
    OpenSSL/SSL.py报错：with _from_buffer(buf) as data:
    智能配电房管理
    30.CSS文本悬停过渡效果
    第四章——密码学的数学引论
  • 原文地址：https://blog.csdn.net/G541788_/article/details/137265022