我知道那里有类似的问题，但我找不到可以回答我祈祷的问题。我需要的是一种从 MS-Word 文件中访问某些数据并将其保存在 XML 文件中的方法。 阅读python-docx 并没有帮助，因为它似乎只允许人们写入word 文档，而不是阅读。 准确呈现我的任务（或我选择如何处理我的任务）：我想在文档中搜索关键字或短语（文档包含表格）并从关键字/短语所在的表格中提取文本数据成立。 有人有什么想法吗？
【问题讨论】：
docx 是一个包含文档 XML 的 zip 文件。您可以使用 ElementTree 打开 zip、读取文档和解析数据。
这种技术的优点是您不需要安装任何额外的 python 库。
import zipfile
import xml.etree.ElementTree
WORD_NAMESPACE = '{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
PARA = WORD_NAMESPACE + 'p'
TEXT = WORD_NAMESPACE + 't'
TABLE = WORD_NAMESPACE + 'tbl'
ROW = WORD_NAMESPACE + 'tr'
CELL = WORD_NAMESPACE + 'tc'
with zipfile.ZipFile('<path to docx file>') as docx:
tree = xml.etree.ElementTree.XML(docx.read('word/document.xml'))
for table in tree.iter(TABLE):
for row in table.iter(ROW):
for cell in row.iter(CELL):
print ''.join(node.text for node in cell.iter(TEXT))
有关更多详细信息和参考，请参阅我对 How to read contents of an Table in MS-Word file Using Python? 的 stackoverflow 回答。
在回答下面的评论时， 图像没有那么清晰的提取。我创建了一个空 docx 并在其中插入了一张图片。然后，我将 docx 文件作为 zip 存档（使用 7zip）打开并查看了 document.xml。所有图像信息都存储为 XML 中的属性，而不是像文本那样的 CDATA。所以你需要找到你感兴趣的标签，拉出你要找的信息。
例如添加到上面的脚本中：
IMAGE = '{http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing}' + 'docPr'
for image in tree.iter(IMAGE):
print image.attrib
输出：
{'id': '1', 'name': 'Picture 1'}
我不是 openxml 格式方面的专家，但我希望这会有所帮助。
我确实注意到 zip 文件包含一个名为 media 的目录，其中包含一个名为 image1.jpeg 的文件，其中包含我的嵌入图像的重命名副本。您可以查看 docx zipfile 以了解可用的内容。
【讨论】：
使用 python-docx 在文档中搜索
# Import the module
from docx import *
# Open the .docx file
document = opendocx('A document.docx')
# Search returns true if found
search(document,'your search string')
你还有一个获取文档文本的函数：
https://github.com/mikemaccana/python-docx/blob/master/docx.py#L910
# Import the module
from docx import *
# Open the .docx file
document = opendocx('A document.docx')
fullText=getdocumenttext(document)
【讨论】：
似乎 pywin32 可以解决问题。您可以遍历文档中的所有表格以及表格中的所有单元格。获取数据有点棘手（必须省略每个条目的最后 2 个字符），但除此之外，这是一个十分钟的代码。 如果有人需要更多详细信息，请在 cmets 中说明。
【讨论】：
具有图像提取功能的更简单的库。
pip install docx2txt
然后使用以下代码读取 docx 文件。
import docx2txt
text = docx2txt.process("file.docx")
【讨论】：