Python实现提取Word文档中的文本和图片

 更新时间:2023年12月19日 08:14:44   作者:E-iceblue  
将内容从 Word 文档中提取出来可以方便我们对其进行其他操作,如将内容储存在数据库中,本文将介绍如何使用简单的代码实现从 Word 文档中提取文本和图片内容并保存,需要的可以参考下

将内容从 Word 文档中提取出来可以方便我们对其进行其他操作,如将内容储存在数据库中、将内容导入到其他程序中、用于 AI 训练以及制作其他文档等。第三方库 Spire.Doc for Python 提供了一个简单的方法直接提取 Word 文档中的内容,包括文本和图片,而不需要大量的复制粘贴操作,也不需要复杂的代码。本文将介绍如何使用简单的代码实现从 Word 文档中提取文本和图片内容并保存。

  • 从 Word 文档中提取文本内容并写入 TXT 文件
  • 从 Word 文档中提取图片并保存

Python库安装: 在操作之前,需要先将Spire.Doc for Python 引入到项目中。可以下载后安装,或直接通过 pip 安装。

pip install Spire.Doc

Python 提取Word文档中的文本内容

Spire.Doc for Python中的 Document.GetText() 方法可以获取Word文档中的所有文本并返回字符串,我们可以将返回的字符串写入到文本文件中进行保存。

代码示例:

from turtle import st
from spire.doc import *
from spire.doc.common import *

def WriteAllText(fname:str,text:List[str]):
        fp = open(fname,"w")
        for s in text:
            fp.write(s)
        fp.close()

inputFile = "示例.docx"
outputFile =  "获取的文本.txt"
     
#创建Document的对象
document = Document()

#载入Word文档
document.LoadFromFile(inputFile)

#获取文档中的文本
text = document.GetText()

#将文本写入文本文件
WriteAllText(outputFile, text)
document.Close()

提取结果

Python 提取Word文档中的图片

提取图片的操作相对复杂一些,需要判断文档元素子对象是否为图片或复合对象,如果是图片则保存,如果是复合对象则继续判断其中的子对象是否为图片。

代码示例:

import queue
from spire.doc import *
from spire.doc.common import *
import os

outputPath = "Images/"
inputFile = "示例.docx"

if not os.path.exists(outputPath):
    os.makedirs(outputPath)

#创建Document的对象
document = Document()

#载入Word文档
document.LoadFromFile(inputFile)

#创建一个队列并将文档元素放入其中
nodes = queue.Queue()
nodes.put(document)

#创建一个列表
images = []

#循环遍历文档元素
while nodes.qsize() > 0:
    node = nodes.get()
    for i in range(node.ChildObjects.Count):
        #获取文档元素的子对象
        child = node.ChildObjects.get_Item(i)
        #判断子对象是否为图片
        if child.DocumentObjectType == DocumentObjectType.Picture:
            picture = child if isinstance(child, DocPicture) else None
            dataBytes = picture.ImageBytes
            #添加到列表中
            images.append(dataBytes)
        #判断子对象是否为复合对象
        elif isinstance(child, ICompositeObject):
            #添加到队列中
            nodes.put(child if isinstance(child, ICompositeObject) else None)

#保存图片
for i, item in enumerate(images):
    fileName = "Image-{}.png".format(i)
    with open(outputPath+fileName,'wb') as imageFile:
        imageFile.write(item)
document.Close()

提取结果:

到此这篇关于Python实现提取Word文档中的文本和图片的文章就介绍到这了,更多相关Python提取Word文本图片内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • PyCharm中代码字体大小调整方法

    PyCharm中代码字体大小调整方法

    在本篇文章里小编给大家分享了关于PyCharm中代码字体大小调整方法以及相关知识点,需要的朋友们学习下。
    2019-07-07
  • python matplotlib库绘图实战之绘制散点图

    python matplotlib库绘图实战之绘制散点图

    Python有着强大的绘图库 matplotlib,该库集成了大量的绘制函数,可以满足我们平时绝大多数的绘图要求,这篇文章主要给大家介绍了关于python matplotlib库绘图实战之绘制散点图的相关资料,需要的朋友可以参考下
    2022-07-07
  • Python 添加文件注释和函数注释操作

    Python 添加文件注释和函数注释操作

    这篇文章主要介绍了Python 添加文件注释和函数注释操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2020-08-08
  • 详解Python中Pytest和Unittest的区别

    详解Python中Pytest和Unittest的区别

    Pytest 和 Unittest是Python中属于最常用的两个测试框架。那么他们有些什么区别呢? Playwright 为什么只给了Pytest的深度支持,而不是Unittest呢?本文就来和大家详细聊聊
    2023-03-03
  • python字符串分割及字符串的一些常规方法

    python字符串分割及字符串的一些常规方法

    这篇文章主要介绍了python字符串分割以及字符串的一些常规方法,本文给大家介绍的非常详细,具有一定的参考借鉴价值,需要的朋友可以参考下
    2019-07-07
  • python 动态导入模块实现模块热更新的方法

    python 动态导入模块实现模块热更新的方法

    这篇文章主要介绍了python 动态导入模块,实现模块热更新,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
    2022-08-08
  • python3使用pandas获取股票数据的方法

    python3使用pandas获取股票数据的方法

    今天小编就为大家分享一篇python3使用pandas获取股票数据的方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2018-12-12
  • Python类方法总结讲解

    Python类方法总结讲解

    这篇文章主要介绍了Python类方法总结讲解,本篇文章通过简要的案例,讲解了该项技术的了解与使用,以下就是详细内容,需要的朋友可以参考下
    2021-07-07
  • 详解Python多线程下的list

    详解Python多线程下的list

    这篇文章主要介绍了Python多线程下的list的相关资料,文中示例代码非常详细,帮助大家更好的理解和学习,感兴趣的朋友可以了解下
    2020-07-07
  • django rest framework serializers序列化实例

    django rest framework serializers序列化实例

    这篇文章主要介绍了django rest framework serializers序列化实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2020-05-05

最新评论