Python获取docx文档里的批注

2024-05-10 07:12:51

注意：该作者博客已迁移至https://buxianshan.xyz

使用Python-docx库可以很方便的处理docx文件（官方文档）

但是有些隐含的信息Python-docx库好像无法读取，比如docx文档里的批注

下面介绍一种用python获取docx文档批注的方法

首先区分doc文件和docx文件

以前Office产品中Word用.doc文件格式，这种二进制格式很难与其他软件兼容。docx是Microsoft Office2007之后版本使用的，用新的基于XML的压缩文件格式取代了以前默认文件格式，在传统的文件名扩展名后面添加了字母“x”（即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”）。

docx格式的文件本质上是一个ZIP文件。将一个docx文件的后缀改为ZIP后是可以用解压工具打开或是解压的。事实上，Word2007的基本文件就是ZIP格式的，他可以算作是docx文件的容器。

比如有一个test.docx文件

内容如下（包含两个批注）

把它后缀名改为.zip

解压test.zip

打开解压后的文件，可以看到原docx文件被分成了好多xml文件

原docx文件的信息都包含在这些xml文件中，比如正文包含在word/document.xml中

通过查找发现批注被保存在了word/comments.xml

如此，我们便可以很方便的用python获取批注

首先解压docx文件
然后用BeautifulSoup解析word/comments.xml提取批注信息

代码如下：

from zipfile import ZipFile
from bs4 import BeautifulSoupdocument = ZipFile('test.docx')
xml = document.read("word/comments.xml")
wordObj = BeautifulSoup(xml.decode("utf-8"), features="html.parser")
texts = wordObj.findAll("w:t")
for text in texts:print(text.text)

输出：

（同理也可以提取其它信息）

参考：

https://blog.csdn.net/qq_20183489/article/details/76736089
https://baike.baidu.com/item/docx/6517348?fr=aladdin

Python获取docx文档里的批注相关推荐

python获取docx文档的内容(文本)
首先下载第三方库python-docx: pip install python-docx(在py文件里面导入的时候是import docx) 简单的说,docx里面的每一个段落都是一个paragrap ...
Python操作docx文档设置居中并创建表格
功能描述:本文代码使用python-docx操作docx文档,添加一段文字并设置居中对齐,添加一个表格并为所有单元格设置文字. from docx import Document from docx. ...
Python读取docx文档的内容
Python读取docx文档的内容下载好解析docx文档的包,Python-docx是专门针对于word文档的一个模块. doc.paragraphs 段落集合 doc.tables 表格集合 do ...
Python3-word文档操作（二）：利用python获取word文档的内容
上一篇,学习了是用python的docx库创建一个word文档,并且编辑了标题和正文.本篇继续python操作word之旅:利用python来获取word文档的内容. python脚本: # -*- ...
python——读取docx文档wordcloud生成词云并进行词频统计
文章目录环境准备导入库读取docx并进行分词词频词云设置背景图片(可选) 生成词云保存词云并显示环境准备 # 不是docx,是python-docx!!!!!!! pip instal ...
Python把docx文档中的题库导入SQLite数据库
#本文所用的docx文档题库包含很多段,每段一个题目,格式为: 问题.(答案) #与之对应的数据库datase.db中tiku表包含kechengmingcheng,zhangjie,timu,d ...
Python修改docx文档格式
任务:原docx文档修改标题和页面宽高. 步骤:1.原docx文档解压为document.xml(见最后) 2.通过xml解释替换标签属性值,保存为document_format.xml 3.还原do ...
python实现docx文档首行缩进2字符
下面是一个示例代码,它使用 python-docx 库来实现 docx 文档的首行缩进 2 字符: from docx import Document# 打开一个 docx 文档 document = ...
python-docx获取docx文档多级目录
想要从docx文档中读取各层目录,即便是翻了官方文档,也没有找到对应内容,最后看了代码,总算是略有所得,写篇文章记录一下. python-docx中与标题相关有一个函数,添加标题,add_headin ...

最新文章

热门文章