批量提取word文件中文本框内容的三种方法

一、问题的提出

在日常的办公中，有时需要提取多个word文件中的文字框的内容。有时，文字框的数量比较多，而且处于文档的不同位置，手工提取比较耗时耗力，同时也可能会产生遗漏。

我们也可以通过VBA和Python来解决这个问题，虽然听起来有点儿小复杂，但是有了Chatgpt的加持，这个问题就不是那么麻烦了。

以下，我们采用三种不同的方法来提取文本框的内容，经过比较之后我们再做出判断。

二、手动提取文本框内容

手动选取的方法也比较简单，思路就是定位——选中——复制——粘贴，可以把一个文档中的文本框内容复制到一个新文档当中。

首先，我们选中文件中多个文本框中的一个，然后点击【开始】——【选择】——【选择相似的文本】，就可以全部选中所有文本框的内容，然后用快捷键ctrl+c复制，再打开一个新的文件粘贴就可以了。

经过测试，以上方法仅适用于word而不适用于wps。

三、Python批量提示文字框内容

我们也可以请出Python这款强大的武器，它最大的特点就是文件处理快捷、跨平台性强，可以批量地识别出多个文档中的全部文字框，并把其中的内容全部复制出来，写入一个新的文档。

1. 引入处理文档的包

要进行word文件的处理，我们就要安装并导入python-docx这个包，在确保安装python软件之后，在cmd里输入以下命令：

pip install python-docx

这样就可以安装必要的库，在使用时就可以通过这个库中的Document方法来读取和生成docx文件。

另外，还需要安装用于解析docx文件的lxml库，安装方法如上：

pip install lxml

另外还需要用到os, zipfile等标准库，这些都不用安装，使用时直接导入即可。

2. 算法分析

我们通过读取docx文件，解压该文件以获取内部XML结构，然后使用lxml库解析这个XML，查找所有文本框内容，并将这些内容添加到一个新的文档中。

我们还可以加入循环读取文件的方法，实现对当前目录下多个文件中文字框内容的提取。

为了避免提取的内容重复，我们还可以用set()对提取的内容进行去重。

3. 代码展示

明确了我们的目标之后，我们整理出指令，然后发送给ChatGPT，让它给出我们想要的代码，然后进行测试其可用性，并对代码进行必要的修改，最终形成以下代码。

from docx import Document
from lxml import etree
import zipfile
import os
 
# 加载.docx文件
source_docx = 'example.docx'
document = Document(source_docx)
 
# 解压.docx文件以访问其XML内容
with zipfile.ZipFile(source_docx, 'r') as docx_zip:
 xml_content = docx_zip.read('word/document.xml')
 
# 解析XML内容
xml_tree = etree.XML(xml_content)
 
# 定义命名空间
namespaces = {
 'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main',
 'v': 'urn:schemas-microsoft-com:vml'
}
 
# 创建新文档
output_docx = 'output_with_textboxes.docx'
new_document = Document()
 
# 已提取段落的文本集合
extracted_texts = set()
 
# 搜索文本框中的文本
textboxes = xml_tree.findall('.//w:txbxContent', namespaces)
for textbox in textboxes:
 paragraphs = textbox.findall('.//w:p', namespaces)
 for paragraph in paragraphs:
 texts = paragraph.findall('.//w:t', namespaces)
 paragraph_text = ''.join([text.text for text in texts if text.text])
 # 检查段落文本是否已经被提取
 if paragraph_text and paragraph_text not in extracted_texts:
 new_document.add_paragraph(paragraph_text)
 # 将提取的段落文本添加到集合中，以避免重复
 extracted_texts.add(paragraph_text)
 
# 保存新文档
new_document.save(output_docx)
 
print(f'文本框内容已被提取到 {output_docx}')

四、VBA批量提取文本框内容

相比python,VBA的方法更为简单，尤其是对于单个文件中的文本框，可以轻松提取。而且，我们还可以把VBA代码绑定成一个自定义的按钮，轻轻一点就可以提取所有文本框。

VBA代码的优势非常明显，不需要安装额外的软件，只用编写一个宏来遍历文档中所有的形状（Shapes），检查它们是否是文本框，然后将这些文本框中的文本提取出来并写入到一个新的Word文档中。

1. VBA代码实现

为确保VBA宏运行后生成的文件位于当前文档的目录下，可以使用ThisDocument.Path属性来获取当前文档所在的路径，然后基于这个路径构建目标文件的完整路径。

以下是修改后的VBA宏，它会将提取的文本保存到一个新的Word文档中，该文档位于当前活动文档的同一目录下：

Sub ExtractTextBoxContentAndSaveInCurrentDirectory()
 Dim srcDoc As Document
 Dim destDoc As Document
 Dim shape As shape
 Dim textBoxText As String
 Dim para As Paragraph
 Dim destPath As String
 
 ' 当前活动文档作为源文档
 Set srcDoc = ActiveDocument
 ' 创建一个新文档来存储提取的文本
 Set destDoc = Documents.Add
 
 ' 遍历源文档中的所有形状
 For Each shape In srcDoc.Shapes
 ' 检查形状是否是文本框
 If shape.Type = msoTextBox Then
 ' 获取文本框中的文本
 textBoxText = shape.TextFrame.TextRange.Text
 ' 将文本写入到目标文档
 Set para = destDoc.Content.Paragraphs.Add
 para.Range.Text = textBoxText & vbNewLine
 End If
 Next shape
 
 ' 构建目标文件的完整路径
 destPath = srcDoc.Path & "\ExtractedTextBoxContent.docx"
 
 ' 保存目标文档到当前文档所在目录
 destDoc.SaveAs2 FileName:=destPath
 
 ' 显示保存成功的消息
 MsgBox "文本框内容已提取到：" & destPath, vbInformation, "完成"
 
 ' 清理
 Set srcDoc = Nothing
 Set destDoc = Nothing
End Sub

2. 代码使用方法

使用VBA代码时，我们要打开Word文档，按下Alt + F11以打开VBA编辑器。在“项目”窗口中选择你的文档。通过右键点击你的文档名，选择【插入】——【模块】来创建一个新模块。在新模块中粘贴上述代码并保存，然后就可以运行当前的代码。或者关闭VBA编辑器，然后按下Alt + F8，选择ExtractTextBoxContentAndSaveInCurrentDirectory宏并运行。

在上述代码中，srcDoc.Path获取了当前活动文档的路径，然后用&连接\ExtractedTextBoxContent.docx构建了新文档的完整保存路径。这样，无论你的Word文档位于哪个目录，提取的文本都将被保存到与之相同的目录下。

五、学后反思

1. 三种方法均可以实现对一个文件中所有文本框内容的提取。第一种是手动，步骤不算多，如果在粘贴时选择保存原格式，可以很好地保证文本框中文字的格式。它的唯一缺点时，不能对多个文件进行操作。
2. Python和VBA都是编程的方法，实现过程有些复杂，但是均可以在以上代码的基础上经过修改后可以对多个文件进行批量的操作，省去了一个个打开文件、复制内容的过程。其缺点是很难保证提取出的内容格式不发生改变。