python逐段读取docx文件中的图片(高中信息技术题库系统）

最近做了一个“浙江省高中信息技术高考题库系统”，后台用django框架，前端vue.js。其中有个功能模块就是把练习题目docx格式，批量导入数据库。具体做法就是前端上传word版的题目，后台批量逐段读取里面的题目，包括图片。

网络上搜索到的大部分的一次性读取docx中的所有图片。这样在我系统里行不通，因为我需要某段的图片属于哪一题的。图片要跟相应的题目一起写入数据库。

先上图吧

最终的目标就是把题目的内容、答案、解析、图片、题型等提取出来，其中图片以base64格式编码成字符，统一json格式，把多个题目的信息返回给前端确认题目时候识别正确，以列表形式返回给前端；形式如下：

[{“content”:"按照二叉树的定义,具有3个节点的二叉树形态有(　)A.3种B.4种C.5种D.6种","answer":"C","explain":"略","type":"选择题","pictures":"data:image/jpeg;base64,/9j/4AAQSkZJRgABAQEAwADAAAD/2wBDAAIBAQIBAQICAgICAgICAwUDAwMDAwYEBAMFBwYHBwcGBwcICQsJCAgKCAcHCg0KCgsMDAwMBwkODw0MDgsMDAz/2wBDAQICAgMDAwYDAwYMCAcIDAwMDAwMDAwMDAwMDAwMDAw"}]

因为题库系统中题目的模型如下：

class Questions(models.Model):
    QUESTION_TYPE_CHOICES = (
        ('选择题','选择题'),
        ('填空题','填空题'),
        ('简答题','简答题')
    )
    DIFFICULTY_LEVEL_CHOICES = (
        ('入门', '入门'),
        ('中级', '中级'),
        ('高级', '高级')
    )
    content = models.CharField(max_length=1000,verbose_name='内容')
    # overview = models.CharField(max_length=100,verbose_name='内容概述，取内容的前25个字符',default='')
    answer = models.CharField(max_length=200,verbose_name='正确答案')
    explain = models.CharField(max_length=200,verbose_name='解析')
    reference = models.CharField(max_length=20,verbose_name='引用哪里',help_text="比如引用5年高考3年模拟，写作53")
    type = models.CharField(verbose_name='题型',max_length=10, choices=QUESTION_TYPE_CHOICES)
    difficulty_level = models.CharField(verbose_name='难度', max_length=10, choices=DIFFICULTY_LEVEL_CHOICES,default=DIFFICULTY_LEVEL_CHOICES[0][0])
    owner = models.ForeignKey(User, verbose_name='录入者',on_delete=models.CASCADE,related_name="questions")
    add_time = models.DateTimeField(auto_now_add=True, verbose_name='录入时间')
    last_edit_time = models.DateTimeField(auto_now_add=True, verbose_name='修改时间')
    open_level = models.CharField(verbose_name='开放程度',choices=OPEN_LEVEL_CHOICES, max_length=10, default=OPEN_LEVEL_CHOICES[0][0])
    #tags = TaggableManager()
    top = models.BooleanField(default=False, verbose_name='置顶')
    knowledgepoint = models.ForeignKey(KnowledgePoint,on_delete=models.CASCADE,verbose_name='知识点', related_name="questions")
    order = OrderField(blank=True, for_fields=['knowledgepoint'], verbose_name='排序序号',
                       help_text="决定各节之间的排序序号，升序排序比如第一章为1,第二章为2；1.1为1；1.3为了3")
    pictures = models.CharField(max_length=200000, blank=True)

    class Meta:
        verbose_name = '题目'
        verbose_name_plural = verbose_name
        ordering = ['order']
    def __str__(self):
        return self.content[len(self.content)//10]

前端确认无误或者修改后，把所有题目信息的列表重新post给后端，写入数据库

言归正传：其中如何逐段读取word内的图片

多说无益，先附上代码：

import docx
from docx.document import Document
from docx.text.paragraph import Paragraph
from docx.image.image import Image
from docx.parts.image import ImagePart
from docx.oxml.shape import CT_Picture
from PIL import Image
from io import BytesIO
import sys


def get_picture(document: Document, paragraph:Paragraph):
    """
	document 为文档对象
	paragraph 为内嵌图片的段落对象，比如第1段内
    """
    result_list=[]
    img_list = paragraph._element.xpath('.//pic:pic')    
    if len(img_list)==0 or not img_list:
        return
    for i in range(len(img_list)):
        img: CT_Picture = img_list[i]
        embed = img.xpath('.//a:blip/@r:embed')[0]
        related_part: ImagePart = document.part.related_parts[embed]
        image: Image = related_part.image
        result_list.append(image)
    return result_list


if __name__ =="__main__":
    d = docx.Document('test.docx')
    for i in range(len(d.paragraphs)):
        paragraph = d.paragraphs[i]
        image_list = get_picture(d, paragraph)
        if not image_list:
            continue       
        for image in image_list:
            if image:
                # 后缀
                ext = image.ext
                # 二进制内容
                blob = image.blob
                # 显示图片
                Image.open(BytesIO(blob)).show()

效果如下：依次逐行读每张图片，并显示出来。这里只是测试，跟项目结合读取题目内容的部分空，下次再发出来

解说下源代码的关键地方：

import docx
from docx.document import Document               #读取word的docx文件
from docx.text.paragraph import Paragraph     #读取段落
from docx.image.image import Image               #读取图片

    for i in range(len(d.paragraphs)):
        paragraph = d.paragraphs[i]      #逐行读取第i自然段

img_list = paragraph._element.xpath('.//pic:pic')         #读取该自然段内的所有图片，返回列表

for i in range(len(img_list)):
        img: CT_Picture = img_list[i]
        embed = img.xpath('.//a:blip/@r:embed')[0]     #读取该自然段内的内嵌图片

  if image:
                # 后缀
                ext = image.ext
                # 二进制内容
                blob = image.blob                                #blob方法获取二进制流文件
                # 显示图片
                Image.open(BytesIO(blob)).show()     #BytesIO 转成字节流显示出来

本文章引用以下：

如何使用Python提取Word文档中的图片？ - 知乎