python - Python：以树状结构提取 MS Word 数据

Question

有什么方法可以在树结构中提取 MS Word 文件数据。我的意思是文档文件有标题、段落和表格。我想在标题层次结构中提取该信息。不知道什么是最好的方法。任何人都可以分享他们用python解析word文档的经验吗？

标签： pythonxmlms-wordpython-docx

Answer 1

标题或印刷用语中的“节标题”不是 Word 中的容器对象；它们每个都只是一个段落对象，其格式使它们显示为节标题，通常是粗体且比正文稍大的字体。

所以无论你采取什么方法，都有一定的可能会错过读者会感知的“边界”。

最好的方法在一定程度上取决于您将使用的文档。在最好的情况下，每个部分都以具有标题 {n}样式之一的段落开始，例如“标题 1”和“标题 2”。然后，您可以继续阅读段落，检查其中一种样式并相应地填充您的层次结构。作者可能坚持这一学科有充分的理由，因为它使形成目录 (TOC) 变得更加容易。

否则，您将需要寻找其他可靠的标记来指示新部分的开始。

请注意，Word 也有一个“节”的概念，这与我在这里使用这个词的方式完全不同。在 Word 中，节是共享相同页面格式（如边距、纵向/横向等）的连续页面块。在出版用语中，节是具有标题（但通常没有分页符）的章节或类似块的细分，并且本身可以分为具有较小标题的每个级别的子节。