Word文档处理：用Python轻松提取Word文档图文数据

桃扇骨 2024-05-01 02:35 72阅读 0赞

将内容从Word文档中提取出来可以方便我们对其进行其他操作，如储将内容存在数据库中、将内容导入到其他程序中、用于AI训练以及制作其他文档等。使用[Spire.Doc for Python][]提供了一个简单的方法直接提取Word文档中的文本内容，包括文本和图片，而不需要大量的复制粘贴操作，也不需要复杂的代码。本文将介绍如何使用简单的代码实现**从Word文档中提取文本和图片内容**并保存。

*  **从Word文档中提取文本内容并写入TXT文件**
 *  **从Word文档中提取图片并保存**

#### 引入Spire.Doc for Python ####

使用此工具操作Word文档之前，需要先将其引入到项目中。可以从[Spire.Doc for Python官方网站][Spire.Doc for Python 1]下载，或直接pip安装。代码如下：

pip install Spire.Doc

### 从Word文档中提取文本内容并写入TXT文件 ###

Spire.Doc for Python中的Document.GetText()方法可以获取Word文档中的所有文本并返回字符串，我们可以将返回的字符串写入到文本文件中进行保存。操作步骤如下：

*  创建 **Document** 的对象。
 *  使用 **Document.LoadFromFile()** 方法载入Word文档。
 *  使用 **Document.GetText()** 方法获取文档中的文本。
 *  将获取的文本写入文本文件。

**代码示例**

from turtle import st
    from spire.doc import *
    from spire.doc.common import *
    
    def WriteAllText(fname:str,text:List[str]):
            fp = open(fname,"w")
            for s in text:
                fp.write(s)
            fp.close()
    
    inputFile = "示例.docx"
    outputFile =  "获取的文本.txt"
         
    #创建Document的对象
    document = Document()
    
    #载入Word文档
    document.LoadFromFile(inputFile)
    
    #获取文档中的文本
    text = document.GetText()
    
    #将文本写入文本文件
    WriteAllText(outputFile, text)
    document.Close()

**提取结果**  
![从Word文档中提取文本内容][Word]

### 从Word文档中提取图片并保存 ###

提取图片的操作相对复杂一些，需要判断文档元素子对象是否为图片或复合对象，如果是图片则保存，如果是复合对象则继续判断其中的子对象是否为图片。操作步骤如下：  
创建文档对象

*  创建 **Document** 的对象。
 *  使用 **Document.loadFromFile()** 方法加载 Word 文档。
 *  创建一个复合对象队列并将文档元素放入其中。
 *  创建一个列表来存储提取的图像。
 *  遍历文档元素，并通过遍历每个节点的子对象来检查是否为复合对象或图片对象。
 *  检查子元素是否为图片对象。如果是，则提取其图像数据并将其添加到提取的图像列表中。
 *  检查子元素是否为图片对象。如果是，则将其添加到队列中，继续判断。
 *  保存图片到文件夹。

**代码示例**

import queue
    from spire.doc import *
    from spire.doc.common import *
    import os
    
    outputPath = "Images/"
    inputFile = "示例.docx"
    
    if not os.path.exists(outputPath):
        os.makedirs(outputPath)
    
    #创建Document的对象
    document = Document()
    
    #载入Word文档
    document.LoadFromFile(inputFile)
    
    #创建一个队列并将文档元素放入其中
    nodes = queue.Queue()
    nodes.put(document)
    
    #创建一个列表
    images = []
    
    #循环遍历文档元素
    while nodes.qsize() > 0:
        node = nodes.get()
        for i in range(node.ChildObjects.Count):
            #获取文档元素的子对象
            child = node.ChildObjects.get_Item(i)
            #判断子对象是否为图片
            if child.DocumentObjectType == DocumentObjectType.Picture:
                picture = child if isinstance(child, DocPicture) else None
                dataBytes = picture.ImageBytes
                #添加到列表中
                images.append(dataBytes)
            #判断子对象是否为复合对象
            elif isinstance(child, ICompositeObject):
                #添加到队列中
                nodes.put(child if isinstance(child, ICompositeObject) else None)
    
    #保存图片
    for i, item in enumerate(images):
        fileName = "Image-{}.png".format(i)
        with open(outputPath+fileName,'wb') as imageFile:
            imageFile.write(item)
    document.Close()

**提取结果**  
![从Word文档中提取图片][Word 1]

> 以上是关于如何使用Spire.Doc for Python从Word文档中提取文本和图片的介绍。Spire.Doc for Python还支持非常多的文档操作，可以前往官网了解，也可以前往[Spire.Doc论坛][Spire.Doc]参与讨论。

[Spire.Doc for Python]: https://www.e-iceblue.cn/Introduce/Spire-Doc-Python.html
[Spire.Doc for Python 1]: https://www.e-iceblue.cn/Downloads/Spire-Doc-Python.html
[Word]: https://img-blog.csdnimg.cn/45e3c96dcf1a47bcae233a5295bce8de.webp#pic_center
[Word 1]: https://img-blog.csdnimg.cn/913148e3239c4f73a32213ffec946af0.webp#pic_center
[Spire.Doc]: https://www.e-iceblue.com/forum/forum-f16.html