时间戳

首页 > 解决方案 > 使用 python 从 .docx 文件中提取特定的表格和图像

python - 使用 python 从 .docx 文件中提取特定的表格和图像

问题描述

我正在尝试从 word 文档中提取一个特定的表格，该表格紧跟在 .docx 文件中的标题“缩写列表”之后，以及紧随标题“图形研究”之后的图像。我已经能够使用 python-docx 代码提取标题，但是如何使用标题或它们的位置来解析文档以检索图像和表格if re.match("Graphical", img.previous_sibling.text)。在我用来搜索我的图像的美丽汤中。我的 python docx 代码是：

from docx import *

document = Document('data/p21.docx')
document.save('test-new.docx')

for content in document.paragraphs:
    if content.style.name=='Heading 1' or content.style.name=='Heading 2' or content.style.name=='Heading 3':
        print (content.text)

标签： pythondocxpython-docx

解决方案

您可以使用 xml 从 docx 文件中提取结构化信息。尝试这个：

doc = Document("file.docx")
headings = [] #extract only headings from your code
tables = [] #extract tables from your code
tags = []
all_text = []
schema = '{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
for elem in doc.element.getiterator():
    if elem.tag == schema + 'body':
        for i, child in enumerate(elem.getchildren()):
            if child.tag != schema + 'tbl':
                 node_text = child.text
                 if node_text:
                     if node_text in headings:
                         tags.append('heading')
                     else:
                         tags.append('text')
                     all_text.append(node_text)
             else:
                 tags.append('table')
        break

在上面的代码之后，您将拥有显示文档标题、文本和表格结构的标签列表，然后您可以从列表中映射相应的数据。

此外，检查标签列表中的数据以获取表格的标题。您可以迭代并获取标题所在的表格

推荐阅读