Python提取word指定内容和图片，分类图片

1.环境准备，python环境，安装python-docx依赖包

命令：pip install python-docx

其他镜像地址：https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/python-docx/

2.测试文档如下：

3.提取文字

import docx


if __name__ == '__main__':
    # 获取文档对象
    doc_path = 'E:/resource/video/test.docx'
    doc = docx.Document(doc_path)
    print("段落数:" + str(len(doc.paragraphs)))  # 段落数

    # 输出每一段的内容
    for para in doc.paragraphs:
         print(para.text)

    tab = doc.tables
    print("表格数:" + str(len(tab)))  # 段落数

    # 读取第1个表格
    tb1 = doc.tables[0]

    # 读取第一行所有单元格的内容
    for row in tb1.rows:
        for cell in row.cells:
            print(cell.text)

测试结果：

4.提取图片

import os
import zipfile
import shutil


def word2pic(path, zip_path, tmp_path, store_path):
    # 将docx文件重命名为zip文件
    os.rename(path, zip_path)
    # 进行解压
    f = zipfile.ZipFile(zip_path, 'r')
    # 将图片提取并保存
    for file in f.namelist():
        f.extract(file, tmp_path)
    # 释放该zip文件
    f.close()

    # 将docx文件从zip还原为docx
    os.rename(zip_path, path)
    # 得到缓存文件夹中图片列表
    pic = os.listdir(os.path.join(tmp_path, 'word/media'))
    # 将图片复制到最终的文件夹中
    for i in pic:
        # 根据word的路径生成图片的名称
        new_name = path.replace('\\', '_')
        new_name = new_name.replace(':', '') + '_' + i
        shutil.copy(os.path.join(tmp_path + '/word/media', i), os.path.join(store_path, new_name))
    # 删除缓冲文件夹中的文件，用以存储下一次的文件
    for i in os.listdir(tmp_path):
        # 如果是文件夹则删除
        if os.path.isdir(os.path.join(tmp_path, i)):
            shutil.rmtree(os.path.join(tmp_path, i))

if __name__ == '__main__':
    # 源文件
    path = r'E:\resource\video\test\test.docx'
    # docx重命名为zip
    zip_path = r'E:\resource\video\test\test.zip'
    # 中转图片文件夹
    tmp_path = r'E:\resource\video\test\tmp'
    # 最后保存结果的文件夹
    store_path = r'E:\resource\video\test\pic'
    m = word2pic(path, zip_path, tmp_path, store_path)

 

运行结果：

5，提取文字和图片，放入不同文件夹

代码：

# encoding=utf-8
import os
import zipfile
import shutil  # 引入os（文件及目录操作）、zipfile（zip文件操作）、shutil(拷贝文件)库

import docx
from win32com import client
count = 1000


def get_text(file):
    labels = []
    # 获取文档对象
    doc = docx.Document(file)
    tab = doc.tables
    tab_num = len(tab)
    print("表格数:", str(tab_num))
    for i in range(0, tab_num):
        for j in range(1, len(tab[i].rows)):
            labels.append(tab[i].rows[j].cells[0].text)
            print(labels)
    return labels


def pic2dir(doc_dir, file, labels):
    file_zip = file[:-5] + '.ZIP'
    os.rename(file, file_zip)  # 重命名为zip文件

    tmp_path = doc_dir + 'tmp'
    f = zipfile.ZipFile(file_zip, 'r')
    for img_file in f.namelist():
        if "word" in img_file:
            # 将压缩包里的word文件夹解压出来
            f.extract(img_file, tmp_path)
    f.close()

    os.rename(file_zip, file)
    pic = os.listdir(os.path.join(tmp_path, 'word/media'))
    print(len(pic))
    global count
    nn = 0
    pic.sort(key=lambda x: int(x[5:-5])) #image1.jpeg
    for i in pic:
        if i.endswith('.jpeg'):
            pic_path = doc_dir + labels[nn]
            if not os.path.exists(pic_path):
                os.mkdir(pic_path)
            shutil.copy(os.path.join(tmp_path + '/word/media', i), os.path.join(pic_path, str(count)+'.png'))
            count += 1
            nn += 1
    # 删除缓冲文件夹中的文件，用以存储下一次的文件
    for i in os.listdir(tmp_path):
         # 如果是文件夹则删除
        if os.path.isdir(os.path.join(tmp_path, i)):
            shutil.rmtree(os.path.join(tmp_path, i))
    return count


def doc2docx(doc_name):
    try:
        # 首先将doc转换成docx
        word = client.Dispatch("Word.Application")
        doc = word.Documents.Open(doc_name)
        docx_name = doc_name[:-4] + '.docx'
        # 使用参数16表示将doc转换成docx
        doc.SaveAs(docx_name, 16)
        doc.Close()
        word.Quit()
    except:
        pass
    return docx_name


if __name__ == '__main__':
    doc_dir = 'E:/resource/video/test/11/'
    os.chdir(doc_dir)
    for file_name in os.listdir(doc_dir):
        print(file_name)
        if 'doc' in file_name:
            file = doc_dir + file_name
            if file_name.endswith('.docx'):
                pass
            else:
                file = doc2docx(file)
            labels = get_text(file)
            if len(labels) > 0:
                count = pic2dir(doc_dir, file, labels)
                print(count)

运行结果：

分类效果如下：

此类处理主要是机器学习收集训练数据时可以批量提取文字或图片。