用Python实现Word文档的智能解析与图片处理

用Python实现Word文档的智能解析与图片处理

在数字化信息爆炸的时代，处理文档数据是许多应用场景中的关键任务。本文将深入探讨如何使用Python编写一个强大的脚本，实现对Word文档的智能解析，包括按章节（H1、H2、H3标题）切分段落，并识别和处理其中的图片，将图片上传后替换为可访问链接。

一、技术背景

在处理复杂的Word文档时，尤其是包含大量结构化内容和图片的文档，如技术手册、报告等，我们常常需要将文档内容进行结构化处理，以便后续的分析、展示或存储。Python作为一种功能强大且简洁易用的编程语言，拥有丰富的库来应对这类任务。python - docx库用于读取和操作Word文档，requests库用于与外部API进行交互（如图片上传），而操作系统相关的os库则用于文件和目录的管理。

二、核心代码实现

1. 图片上传函数

def upload_image(image_path, upload_url):
    try:
        with open(image_path, 'rb') as file:
            files = {'image': file}
            response = requests.post(upload_url, files=files)
            if response.status_code == 200:
                return response.json().get('url')
            else:
                print(f"上传失败，状态码: {response.status_code}")
    except Exception as e:
        print(f"上传时发生错误: {e}")
    return None

这个函数负责将从Word文档中提取的图片上传到指定的upload_url。它使用requests库发送一个POST请求，将图片文件作为files参数传递。如果上传成功（状态码为200），则从响应的JSON数据中提取图片的可访问链接并返回；否则，打印错误信息并返回None。

2. 文档处理主函数

def process_docx(docx_path, upload_url):
    doc = docx.Document(docx_path)
    sections = {}
    stack = []  
    temp_image_dir = 'temp_images'
    os.makedirs(temp_image_dir, exist_ok=True)

    for para in doc.paragraphs:
        if para.style.name.startswith('Heading'):
            level = int(para.style.name.split()[1])  

            while stack and stack[-1][2] >= level:
                prev_title, prev_paras, _ = stack.pop()
                if prev_title not in sections:
                    sections[prev_title] = prev_paras

            title = para.text
            stack.append((title, [], level))
        else:
            p_text = para.text
            image_count = 0
            for rel in para._element.xpath('.//w:drawing/wp:inline/a:graphic/a:graphicData/pic:pic'):
                for blip in rel.xpath('.//a:blip'):
                    rId = blip.get('{http://schemas.openxmlformats.org/officeDocument/2006/relationships}embed')
                    if rId in doc.part.rels:
                        image_part = doc.part.rels[rId].target_part
                        image_ext = image_part.content_type.split('/')[-1]
                        image_path = os.path.join(temp_image_dir, f'{rId}.{image_ext}')
                        with open(image_path, 'wb') as f:
                            f.write(image_part.blob)
                        image_url = upload_image(image_path, upload_url)
                        if image_url:
                            placeholder = f'[图片 {image_count}]'
                            p_text = p_text + f' {placeholder}'
                            p_text = p_text.replace(placeholder, image_url)
                            image_count += 1

            if stack:
                stack[-1][1].append(p_text)

    while stack:
        prev_title, prev_paras, _ = stack.pop()
        if prev_title not in sections:
            sections[prev_title] = prev_paras

    for filename in os.listdir(temp_image_dir):
        file_path = os.path.join(temp_image_dir, filename)
        os.remove(file_path)
    os.rmdir(temp_image_dir)

    return sections

该函数是整个脚本的核心，负责读取Word文档，按章节切分段落，并处理其中的图片。

• 初始化部分：使用docx.Document打开指定路径的Word文档，创建一个空字典sections用于存储切分后的章节内容，一个空列表stack用于跟踪当前处理的标题层级，同时创建一个临时目录temp_image_dir用于存储从文档中提取的图片。
• 段落遍历：
  • 标题处理：当遇到标题段落（样式名称以Heading开头）时，提取标题级别（如H1为1，H2为2等）。通过比较当前标题级别与栈顶标题级别，决定是否将栈顶的标题和段落存入sections字典。如果当前标题级别小于等于栈顶标题级别，说明层级降低或保持不变，将栈顶元素弹出并存储到sections中（前提是标题不在sections中已存在）。然后将当前标题及其对应的空段落列表和标题级别压入栈中。
  • 普通段落处理：对于非标题段落，首先处理其中的图片。通过xpath从段落的XML元素中查找图片相关信息，提取图片并保存到临时目录，调用upload_image函数上传图片并获取可访问链接，将链接替换到段落文本中。最后将处理后的段落文本添加到栈顶的段落列表中。
• 剩余内容处理：遍历结束后，栈中可能还剩余一些标题和段落，将它们依次弹出并存储到sections字典中。
• 清理临时目录：最后，删除临时目录及其所有文件，释放资源。

3. 主程序部分

if __name__ == "__main__":
    docx_path = 'Z:/知识图谱问答/黑龙江省一卡通平台 软件操作手册 202501（财政）.docx'
    upload_url = 'http://localhost:5000/upload'
    result = process_docx(docx_path, upload_url)
    for section_title, paragraphs in result.items():
        print(f"章节: {section_title}")
        for para in paragraphs:
            # print('-------------')
            print(para)
        print("-" * 50)

在主程序中，指定要处理的Word文档路径和图片上传的接口地址，调用process_docx函数处理文档，并将结果按章节打印输出。

三、代码运行与测试

在运行代码之前，确保已经安装了所需的库：

pip install python - docx requests

将docx_path替换为实际的Word文档路径，upload_url替换为有效的图片上传接口地址（如本地运行的Flask应用提供的上传接口）。运行脚本后，你将看到文档按章节切分，图片被正确上传并替换为可访问链接的输出结果。

四、总结与展望

通过上述脚本，我们展示了如何利用Python高效地处理Word文档，实现按章节切分和图片处理的功能。这在知识图谱构建、文档管理系统开发、内容提取与分析等领域具有广泛的应用前景。未来，可以进一步优化代码，例如增加对更多图片格式的支持、提高上传效率、完善错误处理机制等。同时，可以将该功能集成到更复杂的应用系统中，为用户提供更强大的文档处理服务。希望本文能为你在处理Word文档相关任务时提供有益的参考和启发。