python读取word的方法,Python读取Word(.docx)正文信息的方法

Python读取Word(.docx)正文信息的方法

本文介绍用Python简单读取*.docx文件信息,一些python-word库就是对这种方法的扩展。

介绍分两部分:

Word(*.docx)文件简述

Python提取Word信息

Word(*.docx)文件简述

大约在2008年以前,Office产品中Word用.doc文件格式,这种二进制格式很难与其他软件兼容。

为了跟上时代,微软采用类XML格式标准定义其新版Word文件.docx。

.docx实际上是一个zip的压缩文件,比如我们有一个test.docx的文件:

7da9d46ce43754e56e6a9ea905ea52c8.png

其内容如下:

27eeacc6c4ea645f9f4ae75d42e64c29.png

改变其后缀名为test.zip,然后解压,会得到如下文件:

c1ece0678b2647c00660ece98b66f9dd.png

其中Word文件的正文内容被保持在word/document.xml中,我们可以打开查看:

01fabb9ec5a119cd537c7c482ef6d1cc.png

Python提取Word信息

根据Word(.docx)文件格式,我们遵循如下步骤进行正文信息的提取:

1 解压.docx文件

2 用BeautifulSoup解析word/document.xml提取正文信息

具体代码如下:

from zipfile import ZipFile

from bs4 import BeautifulSoup

document=ZipFile('t

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值