python - 使用 Python 从 docx 中提取非结构化数据/文本
问题描述
我是python的新手。我想从 docx 文件中提取非结构化数据作为键值对。数据为表格格式和原始文本格式。我以前曾从表中提取过值,但我不知道该怎么做。有人可以告诉我我指的是哪个包或链接可以对此有所了解吗?提前致谢。
解决方案
安装python-docx
pip install python-docx
并尝试下面的代码
import docx
from docx.document import Document
from docx.oxml.table import CT_Tbl
from docx.oxml.text.paragraph import CT_P
from docx.table import _Cell, Table
from docx.text.paragraph import Paragraph
def iter_block_items(parent):
if isinstance(parent, Document):
parent_elm = parent.element.body
elif isinstance(parent, _Cell):
parent_elm = parent._tc
else:
raise ValueError("Error in reading docx file")
for child in parent_elm.iterchildren():
if isinstance(child, CT_P):
yield Paragraph(child, parent)
elif isinstance(child, CT_Tbl):
yield Table(child, parent)
def convert_docx_to_text(file_path):
doc = docx.Document(file_path)
for block in iter_block_items(doc):
if isinstance(block, Table): # check block is table
keys = []
for row in block.rows: # each table row
if not keys:
keys = [cell.text for cell in row.cells] # keys (table headers)
continue
values = [cell.text for cell in row.cells] # values
print(dict(zip(keys, values)))
else:
print(block.text) # paragraph text
convert_docx_to_text(file_path="/home/karmveer/Downloads/my.docx")
推荐阅读
- c# - If 语句错误:“无法将类型 'string' 转换为 'bool'”
- node.js - oauth-1.0a 为 Zotero API (NodeJS) 返回 401 的节点包
- hadoop - 蜂巢创建视图问题:内部将数字转换为其他内容
- python - How do I use this callback in Python?
- sql - 根据 SQL 中的当前日期计算月底还剩多少天
- npm - 使用 IDE 或任务运行器添加多个文件
- c# - 在 WPF 中,根据自定义类的属性对 ListBox 或 ListView 进行分组
- python - 我正在用 Python 为我的雇主创建一个库存系统,我应该将库存信息存储在 SQLite 数据库中吗?
- python - 熊猫在 groupby 级别 2 总和或平均条件上删除行
- mongodb - 聚合嵌入文档数组