python将word文档通过标题形式拆分内容

因为工作需要  需要将一个word文档的内容分割成按标题的一个个字符串，本方法借用了网上一些方法加上自己的方法合成，因为试了网上大部分方法对于我的这个2文档都不行

教程：1.首先安装docx库  本地使用命令“pip install python-docx 虚拟环境开发通过

conda install python-docx

2.方法如下：原理：首先通过对word文档内容格式的xml来判断是否是标题（word中的格式） 包括（1,2,3级...）标题，如果是标题返回标题的级数，不是则返回none，后面通过循环（按节）来将内容拼接一起，最终将按标题分割内容存放在一个list中

from docx import Document
import re

def parse_word_document(doc_path):
    doc = Document(doc_path)
    titles = []
    text=''
    for paragraph in doc.paragraphs:
        title = isTitle(paragraph)

        #不是标题
        if title is None:
            text+=paragraph.text
            text+='\n'
        #是标题
        else:
            titles.append(text)
            text = ''
            text+=paragraph.text
            text+='\n'
    titles.append(text)
    return titles

def getOutlineLevel(inputXml):
    """
    功能 从xml字段中提取出<w:outlineLvl w:val="number"/>中的数字number
    参数 inputXml
    返回 number
    """
    start_index = inputXml.find('<w:outlineLvl')
    end_index = inputXml.find('>', start_index)
    number = inputXml[start_index:end_index + 1]
    number = re.search("\d+", number).group()
    return number


def isTitle(paragraph):
    """
    功能 判断该段落是否设置了大纲等级
    参数 paragraph:段落
    返回 None:普通正文，没有大纲级别 0:一级标题 1:二级标题 2:三级标题
    """
    # 如果是空行，直接返回None
    if paragraph.text.strip() == '':
        return None

    # 如果该段落是直接在段落里设置大纲级别的，根据xml判断大纲级别
    paragraphXml = paragraph._p.xml
    if paragraphXml.find('<w:outlineLvl') >= 0:
        return getOutlineLevel(paragraphXml)
    # 如果该段落是通过样式设置大纲级别的，逐级检索样式及其父样式，判断大纲级别
    targetStyle = paragraph.style
    while targetStyle is not None:
        # 如果在该级style中找到了大纲级别，返回
        if targetStyle.element.xml.find('<w:outlineLvl') >= 0:
            return getOutlineLevel(targetStyle.element.xml)
        else:
            targetStyle = targetStyle.base_style
    # 如果在段落、样式里都没有找到大纲级别，返回None
    return None

doc_path = '某某word文档.docx'
titles = parse_word_document(doc_path)
for title in titles:
    print(title)