使用 python-docx 从 .docx 文件中提取图像位置答案

【问题标题】：Extract image position from .docx file using python-docx使用 python-docx 从 .docx 文件中提取图像位置
【发布时间】：2016-12-17 15:28:48
【问题描述】：

我正在尝试使用 python-docx 库从 .docx 文件中获取图像索引。我能够提取图像的名称、图像的高度和宽度。但不是它在word文件中的索引

import docx
doc = docx.Document(filename)
for s in doc.inline_shapes:
    print (s.height.cm,s.width.cm,s._inline.graphic.graphicData.pic.nvPicPr.cNvPr.name)

输出

21.228  15.920 IMG_20160910_220903848.jpg

事实上，我想知道是否有任何更简单的方法来获取图像名称，例如 s.height.cm 为我获取了以厘米为单位的高度。我的主要要求是了解图像在文档中的位置，因为我需要提取图像并对其进行一些处理，然后再次将图像放回同一位置

【问题讨论】：

您可以使用支持完整 MS Word 对象模型的 win32com 轻松完成此操作。 python-docx 库似乎特别有限，在使用或访问 Shape 对象时更是如此。此外，InlineShapes 序列支持索引访问 (read the dox)，因此虽然s 没有index 属性，但您可以将它们视为索引序列。
@DavidZemens 您能否详细说明索引序列的概念？
这意味着inline_shapes序列是有序的并且可以通过索引例如doc.inline_shapes[0]等来访问，不是吗？ docs.python.org/3/tutorial/…
好的。我得到它。但我最初的问题是不同的。假设.docx 文件的内容是：这是一个示例文档。图像位于此语句之前。 所以我需要的是存在的索引或位置，在这种情况下，它在 document 之后和 .the image
查看该库的 dox，似乎不受支持。使用 win32com 使用所有 Word 对象模型方法/属性来实例化 word 文档，内联形状应该有一个 .range（或 .Range，不确定大小写）属性来识别字符在文档中的位置。

标签： python python-docx

【解决方案1】：

API 不直接支持此操作。

但是，如果您愿意深入了解内部结构并使用底层的 lxml API，这是可能的。

一般的方法是访问与您要检查和修改的图片对应的ImagePart 实例，然后读写._blob 属性（将图像文件保存为字节）。

这个 XML 样本可能会有所帮助： http://python-docx.readthedocs.io/en/latest/dev/analysis/features/shapes/picture.html#specimen-xml

从包含图片的内联形状中，您可以得到 <a:blip> 元素：

blip = inline_shape._inline.graphic.graphicData.pic.blipFill.blip

关系 id（通常为 r:id，但在本例中为 r:embed）可在以下位置获得：

rId = blip.embed

然后就可以从文档部分获取图片部分了

document_part = document.part
image_part = document_part.related_parts[rId]

然后二进制图像可以在._blob上进行读写。

如果你写了一个新的 blob，它会在保存时替换之前的图像。

您可能希望让它与单个图像一起工作，并在放大到单个文档中的多个图像之前先感受一下。

可能会缓存一两个图像特征，因此在保存并重新加载文件之前，您可能无法获得所有细节，因此请注意这一点。

如您所见，不适合胆小的人，但如果您想要它足够糟糕并且可以稍微跟踪代码，它应该可以工作:)

【讨论】：

【解决方案2】：

您还可以使用简单的循环检查段落，并检查哪个 xml 包含图像（例如，如果 xml 包含“graphicData”），即哪个是图像容器（您可以对运行执行相同操作）：

from docx import Document

image_paragraphs = []
doc = Document(path_to_docx)
for par in doc.paragraphs:
    if 'graphicData' in par._p.xml:
        image_paragraphs.append(par)

解压 docx 文件后，图像位于“images”文件夹中，它们的顺序与它们在 image_paragraphs 列表中的顺序相同。在每个段落元素上，您都有很多选择如何更改它。如果你想提取 img 处理它，而不是将它插入到同一个地方，比

paragraph.clear()
paragraph.add_run('your description, if needed')
run = paragraph.runs[0]
run.add_picture(path_to_pic, width, height)

【讨论】：

为我工作，谢谢。但是，您必须计算段落内标签 graphicData 的出现次数，因为可能不止一个（如果使用 string.count()，由于打开和关闭标签，您必须将结果减半）。
我解压了 docx，图像有扩展名：.png、.jpg 或 .htm（.htm 实际上是用于 PNG 图像）。知道如何使用扩展名获取名称吗？（没有像these answers那样使用模块os？）

【解决方案3】：

所以，我从来没有在这里真正写过任何答案，但我认为这可能是您问题的解决方案。使用这个小代码，您可以在给定所有段落的情况下查看图像的位置。希望对您有所帮助。

import docx

doc = docx.Document(filename)

paraGr = []             
index = []

par = doc.paragraphs
for i in range(len(par)):
     paraGr.append(par[i].text)
     if 'graphicData' in par[i]._p.xml:
         index.append(i)

【讨论】：

【解决方案4】：

如果您使用的是 Python 3

pip install python-docx

import docx
doc = docx.Document(document_path)
P = []
I = []
par = doc.paragraphs
for i in range(len(par)):
     P.append(par[i].text)
     if 'graphicData' in par[i]._p.xml:
         I.append(i)
print(I)

#returns 索引列表(Image_Reference)

【讨论】：