Hướng dẫn docx2python github - docx2python trên github

docx2python

Trích xuất các tiêu đề, chân trang, văn bản, chú thích, chú thích, thuộc tính và hình ảnh cho một đối tượng Python.

Lưu ý cho người dùng / người đóng góp

Tôi sẽ thực hiện rất ít mã hóa vào năm 2022. Tôi sẽ giải quyết các lỗi "Hiển thị nút chặn" trong docx2python và tôi sẽ chấp nhận các yêu cầu kéo nếu chúng hoàn thành với

• Tệp ví dụ

  for name, image in result.images.items():
      with open(name, 'wb') as image_destination:
          write(image_destination, image)
  

  5 hiển thị tính năng vấn đề được giải quyết hoặc thiếu
• Một tệp kiểm tra mới với các thử nghiệm (pytest) cho sửa chữa hoặc tính năng mới

for name, image in result.images.items():
    with open(name, 'wb') as image_destination:
        write(image_destination, image)

Quay lại với Docx2python

Để tóm tắt về những gì mới trong docx2python 2, hãy cuộn xuống mới trong docx2python phiên bản 2New in docx2python Version 2

Mã này là sự mở rộng/co thắt của Python-DOCX2TXT (Bản quyền (C) 2015 Ankush Shah). Mã ban đầu chủ yếu là biến mất, nhưng một số xương vẫn có thể ở đây.

Các tính năng được chia sẻ::

• Trích xuất văn bản từ các tệp docx
• Trích xuất hình ảnh từ các tệp docx

additions:

• Trích xuất chú thích và chú thích
• Chuyển đổi đạn và danh sách được đánh số thành ASCII với thụt
• Chuyển đổi siêu liên kết thành

  for name, image in result.images.items():
      with open(name, 'wb') as image_destination:
          write(image_destination, image)
  

  7
• Giữ lại một số cấu trúc của tệp gốc (bên dưới)
• Trích xuất các thuộc tính tài liệu (người tạo, LastModifiedBy, v.v.)
• Chèn trình giữ chỗ hình ảnh trong văn bản (

  for name, image in result.images.items():
      with open(name, 'wb') as image_destination:
          write(image_destination, image)
  

  8)
• Chèn chú thích văn bản đơn giản và tham chiếu cuối cùng trong văn bản (

  for name, image in result.images.items():
      with open(name, 'wb') as image_destination:
          write(image_destination, image)
  

  9)
• .
• Trích xuất phương trình toán học
• Trích xuất các lựa chọn người dùng từ hộp kiểm và menu thả xuống

subtractions:

• Không có giao diện dòng lệnh
• sẽ chỉ hoạt động với Python 3.7+

Cài đặt

Sử dụng

from docx2python import docx2python

# extract docx content
docx2python('path/to/file.docx')

# extract docx content, write images to image_directory
docx2python('path/to/file.docx', 'path/to/image_directory')

# extract docx content, ignore images
docx2python('path/to/file.docx', extract_image=False)

# extract docx content with basic font styles converted to html
docx2python('path/to/file.docx', html=True)

Lưu ý trên tính năng HTML:

• Hỗ trợ

  [  # document
      [  # table
          [  # row
              [  # cell
                  "Paragraph 1",
                  "Paragraph 2",
                  "-- bulleted list",
                  "-- continuing bulleted list",
                  "1)  numbered list",
                  "2)  continuing numbered list"
                  "    a)  sublist",
                  "        i)  sublist of sublist",
                  "3)  keeps track of indention levels",
                  "    a)  resets sublist counters"
              ]
          ]
       ]
   ]

  0Italic,

  [  # document
      [  # table
          [  # row
              [  # cell
                  "Paragraph 1",
                  "Paragraph 2",
                  "-- bulleted list",
                  "-- continuing bulleted list",
                  "1)  numbered list",
                  "2)  continuing numbered list"
                  "    a)  sublist",
                  "        i)  sublist of sublist",
                  "3)  keeps track of indention levels",
                  "    a)  resets sublist counters"
              ]
          ]
       ]
   ]

  1Bold,

  [  # document
      [  # table
          [  # row
              [  # cell
                  "Paragraph 1",
                  "Paragraph 2",
                  "-- bulleted list",
                  "-- continuing bulleted list",
                  "1)  numbered list",
                  "2)  continuing numbered list"
                  "    a)  sublist",
                  "        i)  sublist of sublist",
                  "3)  keeps track of indention levels",
                  "    a)  resets sublist counters"
              ]
          ]
       ]
   ]

  2UnderLine,

  [  # document
      [  # table
          [  # row
              [  # cell
                  "Paragraph 1",
                  "Paragraph 2",
                  "-- bulleted list",
                  "-- continuing bulleted list",
                  "1)  numbered list",
                  "2)  continuing numbered list"
                  "    a)  sublist",
                  "        i)  sublist of sublist",
                  "3)  keeps track of indention levels",
                  "    a)  resets sublist counters"
              ]
          ]
       ]
   ]

  3Strike,

  [  # document
      [  # table
          [  # row
              [  # cell
                  "Paragraph 1",
                  "Paragraph 2",
                  "-- bulleted list",
                  "-- continuing bulleted list",
                  "1)  numbered list",
                  "2)  continuing numbered list"
                  "    a)  sublist",
                  "        i)  sublist of sublist",
                  "3)  keeps track of indention levels",
                  "    a)  resets sublist counters"
              ]
          ]
       ]
   ]

  4Superscript,

  [  # document
      [  # table
          [  # row
              [  # cell
                  "Paragraph 1",
                  "Paragraph 2",
                  "-- bulleted list",
                  "-- continuing bulleted list",
                  "1)  numbered list",
                  "2)  continuing numbered list"
                  "    a)  sublist",
                  "        i)  sublist of sublist",
                  "3)  keeps track of indention levels",
                  "    a)  resets sublist counters"
              ]
          ]
       ]
   ]

  5SubScript,

  [  # document
      [  # table
          [  # row
              [  # cell
                  "Paragraph 1",
                  "Paragraph 2",
                  "-- bulleted list",
                  "-- continuing bulleted list",
                  "1)  numbered list",
                  "2)  continuing numbered list"
                  "    a)  sublist",
                  "        i)  sublist of sublist",
                  "3)  keeps track of indention levels",
                  "    a)  resets sublist counters"
              ]
          ]
       ]
   ]

  6Small Caps,

  [  # document
      [  # table
          [  # row
              [  # cell
                  "Paragraph 1",
                  "Paragraph 2",
                  "-- bulleted list",
                  "-- continuing bulleted list",
                  "1)  numbered list",
                  "2)  continuing numbered list"
                  "    a)  sublist",
                  "        i)  sublist of sublist",
                  "3)  keeps track of indention levels",
                  "    a)  resets sublist counters"
              ]
          ]
       ]
   ]

  7All CAPS,

  [  # document
      [  # table
          [  # row
              [  # cell
                  "Paragraph 1",
                  "Paragraph 2",
                  "-- bulleted list",
                  "-- continuing bulleted list",
                  "1)  numbered list",
                  "2)  continuing numbered list"
                  "    a)  sublist",
                  "        i)  sublist of sublist",
                  "3)  keeps track of indention levels",
                  "    a)  resets sublist counters"
              ]
          ]
       ]
   ]

  8HIGHT.
• Các siêu liên kết sẽ luôn được xuất khẩu dưới dạng HTML (

  for name, image in result.images.items():
      with open(name, 'wb') as image_destination:
          write(image_destination, image)
  

  7), ngay cả khi

  from docx2python.iterators import enum_cells
  
  def remove_empty_paragraphs(tables):
      for (i, j, k), cell in enum_cells(tables):
          tables[i][j][k] = [x for x in cell if x]

  2, bởi vì tôi không thể nghĩ về một đại diện chính tắc hơn.
• Mỗi thẻ mở trong một đoạn sẽ được đóng trong đoạn đó (và, khi thích hợp, mở lại trong đoạn tiếp theo). Nếu hai đoạn sau được in đậm, chúng sẽ được trả lại là

  from docx2python.iterators import enum_cells
  
  def remove_empty_paragraphs(tables):
      for (i, j, k), cell in enum_cells(tables):
          tables[i][j][k] = [x for x in cell if x]

  3,

  from docx2python.iterators import enum_cells
  
  def remove_empty_paragraphs(tables):
      for (i, j, k), cell in enum_cells(tables):
          tables[i][j][k] = [x for x in cell if x]

  4. Đây là cố ý để làm cho mỗi đoạn văn của riêng mình.
• Nếu bạn chỉ định

  from docx2python.iterators import enum_cells
  
  def remove_empty_paragraphs(tables):
      for (i, j, k), cell in enum_cells(tables):
          tables[i][j][k] = [x for x in cell if x]

  5,

  from docx2python.iterators import enum_cells
  
  def remove_empty_paragraphs(tables):
      for (i, j, k), cell in enum_cells(tables):
          tables[i][j][k] = [x for x in cell if x]

  6,

  from docx2python.iterators import enum_cells
  
  def remove_empty_paragraphs(tables):
      for (i, j, k), cell in enum_cells(tables):
          tables[i][j][k] = [x for x in cell if x]

  7 và

  from docx2python.iterators import enum_cells
  
  def remove_empty_paragraphs(tables):
      for (i, j, k), cell in enum_cells(tables):
          tables[i][j][k] = [x for x in cell if x]

  8 trong văn bản tài liệu của bạn sẽ được mã hóa là

  from docx2python.iterators import enum_cells
  
  def remove_empty_paragraphs(tables):
      for (i, j, k), cell in enum_cells(tables):
          tables[i][j][k] = [x for x in cell if x]

  9,

  >>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
  >>> remove_empty_paragraphs(tables)
      [[[['a', 'b'], ['a', 'd']]]]
  

  0 và

  >>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
  >>> remove_empty_paragraphs(tables)
      [[[['a', 'b'], ['a', 'd']]]]
  

  1

Giá trị trả về

Hàm

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

Tiêu đề - Nội dung của các tiêu đề DOCX ở định dạng trả về được mô tả trong tài liệu này - contents of the docx headers in the return format described herein

Footer - Nội dung của Footers Docx ở định dạng trở lại được mô tả trong tài liệu này - contents of the docx footers in the return format described herein

Cơ thể - Nội dung của Docx ở định dạng trở lại được mô tả trong tài liệu này - contents of the docx in the return format described herein

Chú thích - Nội dung của DOCX ở định dạng trở lại được mô tả trong tài liệu này - contents of the docx in the return format described herein

EndNotes - Nội dung của DOCX ở định dạng trả về được mô tả trong tài liệu này - contents of the docx in the return format described herein

Tài liệu - Tiêu đề + Body + Footer (Chỉ đọc) - header + body + footer (read only)

Văn bản - Tất cả văn bản docx là một chuỗi, tương tự như những gì bạn nhận được từ

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

Thuộc tính - Tên thuộc tính docx được ánh xạ tới các giá trị (ví dụ:

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

Hình ảnh - Tên hình ảnh được ánh xạ tới hình ảnh ở định dạng nhị phân. Ghi vào hệ thống tập tin với - image names mapped to images in binary format. Write to filesystem with

for name, image in result.images.items():
    with open(name, 'wb') as image_destination:
        write(image_destination, image)

DOCX_READER - Một phiên bản docxreader (xem

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

Định dạng trả lại

Một số cấu trúc sẽ được duy trì. Văn bản sẽ được trả lại trong một danh sách lồng nhau, với các đoạn văn luôn ở độ sâu 4 (tức là,

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

Nếu docx của bạn không có bảng, đầu ra sẽ xuất hiện dưới dạng một bảng có tất cả nội dung trong một ô:

[  # document
    [  # table
        [  # row
            [  # cell
                "Paragraph 1",
                "Paragraph 2",
                "-- bulleted list",
                "-- continuing bulleted list",
                "1)  numbered list",
                "2)  continuing numbered list"
                "    a)  sublist",
                "        i)  sublist of sublist",
                "3)  keeps track of indention levels",
                "    a)  resets sublist counters"
            ]
        ]
     ]
 ]

Các ô bảng sẽ xuất hiện dưới dạng tế bào bảng. Văn bản bên ngoài bảng sẽ xuất hiện dưới dạng ô bảng.

Một tài liệu docx có thể là các bảng trong các bảng trong các bảng. Docx2python làm phẳng hầu hết điều này để dễ dàng điều hướng hơn trong nội dung.

Làm việc với đầu ra

Gói này cung cấp một số chức năng trợ giúp tài liệu trong mô -đun

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

from docx2python.iterators import enum_cells

def remove_empty_paragraphs(tables):
    for (i, j, k), cell in enum_cells(tables):
        tables[i][j][k] = [x for x in cell if x]

>>> tables = [[[['a', 'b'], ['a', '', 'd', '']]]]
>>> remove_empty_paragraphs(tables)
    [[[['a', 'b'], ['a', 'd']]]]

from docx2python.iterators import enum_at_depth

def html_map(tables) -> str:
    """Create an HTML map of document contents.

    Render this in a browser to visually search for data.
    
    :tables: value could come from, e.g.,
        * docx_to_text_output.document
        * docx_to_text_output.body
    """

    # prepend index tuple to each paragraph
    for (i, j, k, l), paragraph in enum_at_depth(tables, 4):
        tables[i][j][k][l] = " ".join([str((i, j, k, l)), paragraph])

    # wrap each paragraph in 
 tags
    for (i, j, k), cell in enum_at_depth(tables, 3):
        tables[i][j][k] = "".join(["
{x}
".format(x) for x in cell])

    # wrap each cell in