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：
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：
|
1
2
3
4
5
6
7
8
9
|
from zipfile import zipfilefrom bs4 import beautifulsoupdocument=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服务器之家。
原文链接：http://blog.csdn.net/qq_20183489/article/details/76736089
