在 Python 中从 Word 文档 (.docx) 中提取突出显示的单词

Question

我正在处理一堆 word 文档，其中有突出显示的文本（单词）（使用颜色代码，例如黄色、蓝色、灰色），现在我想提取与每种颜色相关的突出显示的单词。我正在用 Python 编程。这是我目前所做的：

用[python-docx][1]打开word文档，然后找到包含文档中标记（单词）的<w:r>标签。我使用了以下代码：

#!/usr/bin/env python2.6
# -*- coding: ascii -*-
from docx import *
document = opendocx('test.docx')
words = document.xpath('//w:r', namespaces=document.nsmap)
for word in words:
  print word

现在我被困在检查每个单词是否具有<w:highlight> 标签并从中提取颜色代码以及它是否与<w:t> 标签内的黄色打印文本匹配的部分。如果有人能指出我从解析的文件中提取单词，我将不胜感激。

Answer 1

我以前从未使用过python-docx，但帮助我的是我在网上找到了一个关于突出显示的文本的 XML 结构看起来如何的 sn-p：

 <w:r>
    <w:rPr>
      <w:highlight w:val="yellow"/>
    </w:rPr>
    <w:t>text that is highlighted</w:t>
  </w:r>

从那里，想出这个相对简单：

from docx import *
document = opendocx(r'test.docx')
words = document.xpath('//w:r', namespaces=document.nsmap)

WPML_URI = "{http://schemas.openxmlformats.org/wordprocessingml/2006/main}"
tag_rPr = WPML_URI + 'rPr'
tag_highlight = WPML_URI + 'highlight'
tag_val = WPML_URI + 'val'

for word in words:
    for rPr in word.findall(tag_rPr):
        if rPr.find(tag_highlight).attrib[tag_val] == 'yellow':
            print word.find(tag_t).text