1.环境准备，python环境，安装python-docx依赖包
命令：pip install python-docx
其他镜像地址：https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/python-docx/
2.测试文档如下：
3.提取文字
import docx if __name__ == '__main__': # 获取文档对象 doc_path = 'E:/resource/video/test.docx' doc = docx.Document(doc_path) print("段落数:" + str(len(doc.paragraphs))) # 段落数 # 输出每一段的内容 for para in doc.paragraphs: print(para.text) tab = doc.tables print("表格数:" + str(len(tab))) # 段落数 # 读取第1个表格 tb1 = doc.tables[0] # 读取第一行所有单元格的内容 for row in tb1.rows: for cell in row.cells: print(cell.text)测试结果：
4.提取图片
import os import zipfile import shutil def word2pic(path, zip_path, tmp_path, store_path): # 将docx文件重命名为zip文件 os.rename(path, zip_path) # 进行解压 f = zipfile.ZipFile(zip_path, 'r') # 将图片提取并保存 for file in f.namelist(): f.extract(file, tmp_path) # 释放该zip文件 f.close() # 将docx文件从zip还原为docx os.rename(zip_path, path) # 得到缓存文件夹中图片列表 pic = os.listdir(os.path.join(tmp_path, 'word/media')) # 将图片复制到最终的文件夹中 for i in pic: # 根据word的路径生成图片的名称 new_name = path.replace('\\', '_') new_name = new_name.replace(':', '') + '_' + i shutil.copy(os.path.join(tmp_path + '/word/media', i), os.path.join(store_path, new_name)) # 删除缓冲文件夹中的文件，用以存储下一次的文件 for i in os.listdir(tmp_path): # 如果是文件夹则删除 if os.path.isdir(os.path.join(tmp_path, i)): shutil.rmtree(os.path.join(tmp_path, i)) if __name__ == '__main__': # 源文件 path = r'E:\resource\video\test\test.docx' # docx重命名为zip zip_path = r'E:\resource\video\test\test.zip' # 中转图片文件夹 tmp_path = r'E:\resource\video\test\tmp' # 最后保存结果的文件夹 store_path = r'E:\resource\video\test\pic' m = word2pic(path, zip_path, tmp_path, store_path)
运行结果：
5，提取文字和图片，放入不同文件夹
代码：
# encoding=utf-8 import os import zipfile import shutil # 引入os（文件及目录操作）、zipfile（zip文件操作）、shutil(拷贝文件)库 import docx from win32com import client count = 1000 def get_text(file): labels = [] # 获取文档对象 doc = docx.Document(file) tab = doc.tables tab_num = len(tab) print("表格数:", str(tab_num)) for i in range(0, tab_num): for j in range(1, len(tab[i].rows)): labels.append(tab[i].rows[j].cells[0].text) print(labels) return labels def pic2dir(doc_dir, file, labels): file_zip = file[:-5] + '.ZIP' os.rename(file, file_zip) # 重命名为zip文件 tmp_path = doc_dir + 'tmp' f = zipfile.ZipFile(file_zip, 'r') for img_file in f.namelist(): if "word" in img_file: # 将压缩包里的word文件夹解压出来 f.extract(img_file, tmp_path) f.close() os.rename(file_zip, file) pic = os.listdir(os.path.join(tmp_path, 'word/media')) print(len(pic)) global count nn = 0 pic.sort(key=lambda x: int(x[5:-5])) #image1.jpeg for i in pic: if i.endswith('.jpeg'): pic_path = doc_dir + labels[nn] if not os.path.exists(pic_path): os.mkdir(pic_path) shutil.copy(os.path.join(tmp_path + '/word/media', i), os.path.join(pic_path, str(count)+'.png')) count += 1 nn += 1 # 删除缓冲文件夹中的文件，用以存储下一次的文件 for i in os.listdir(tmp_path): # 如果是文件夹则删除 if os.path.isdir(os.path.join(tmp_path, i)): shutil.rmtree(os.path.join(tmp_path, i)) return count def doc2docx(doc_name): try: # 首先将doc转换成docx word = client.Dispatch("Word.Application") doc = word.Documents.Open(doc_name) docx_name = doc_name[:-4] + '.docx' # 使用参数16表示将doc转换成docx doc.SaveAs(docx_name, 16) doc.Close() word.Quit() except: pass return docx_name if __name__ == '__main__': doc_dir = 'E:/resource/video/test/11/' os.chdir(doc_dir) for file_name in os.listdir(doc_dir): print(file_name) if 'doc' in file_name: file = doc_dir + file_name if file_name.endswith('.docx'): pass else: file = doc2docx(file) labels = get_text(file) if len(labels) > 0: count = pic2dir(doc_dir, file, labels) print(count)运行结果：
分类效果如下：
此类处理主要是机器学习收集训练数据时可以批量提取文字或图片。
