python-docx源码学习

docx文件是一个包（WordprocessingML Package），其中包含许多个xml文件，另外还包含其他媒体文件，例如图像、视频。

可以将docx文件重命名为zip文件，再解压缩，即可看到文件结构。

[Content_Types].xml

位于根目录下，是此包所有文件的列表。每个文件及其类型都在 [Content_Types].xml 中列出。

_rels 

用于标识包的起始部分或包关系。不懂

word

_rels

文档关系，包括超链接，脚注等

endnotes.xml, fontTable.xml, footnotes.xml, settings.x

ml, styles.xml, webSetings.xml分别表示尾注，字体表，页脚，文档设置，样式，网页设置。

document.xml

就是正文啦！结构大致如下：

<w:document>
    <w:body>
        <w:p />
    </w:body>
</w:document>

python-docx中的Document(filepath)就是读取了一个docx文件的document.xml，其中提供了add_paragraph((), add_heading(), add_section()等方法。原理也是对document.xml进行改写。

document.xml中的每一个属性都对应 python-docx中的一个类，例如oxml.text.paragraph.py中的CT_P对应xm中的<w:p>。

注意

pptx也可以这么转换。

但是doc格式， pdf格式的文件不能转成zip。硬转会报错。