邵阳区号,康王路,石家庄兼职
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
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:
其内容如下:
改变其后缀名为test.zip,然后解压,会得到如下文件:
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:
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('test.docx') xml=document.read("word/document.xml") wordobj=beautifulsoup(xml.decode("utf-8")) texts=wordobj.findall("w:t") for text in texts: print(text.text)
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持移动技术网。
如对本文有疑问,请在下面进行留言讨论,广大热心网友会与你互动!! 点击进行留言回复
python求numpy中array按列非零元素的平均值案例
网友评论