python-docx 提取文字

`python-docx` 是一个用于读写 Microsoft Word 文档 (.docx) 的 Python 库。如果你想从 .docx 文件中提取文本内容，你可以按照以下步骤操作：

1. 首先，你需要安装 `python-docx` 库。如果你还没有安装，可以使用 pip 安装：

   pip install python-docx

2. 然后，你可以通过以下代码片段打开一个文档并提取文本：

   from docx import Document

   # 加载.docx文件
   doc = Document('your_file.docx')

   # 提取所有段落的文本
   text_list = []
   for paragraph in doc.paragraphs:
       text_list.append(paragraph.text)

   # 将文本合并成一个字符串（如果需要）
   extracted_text = '\n'.join(text_list)
   
   # 或者直接打印每一段文本
   for paragraph in doc.paragraphs:
       print(paragraph.text)

相关问题

我现在想用python-docx 去提取文字，需要除去页眉和页脚

你可以使用python-docx库来提取文字，并且去除页眉和页脚。以下是一个示例代码：

from docx import Document

def extract_text_without_header_footer(docx_file):
    doc = Document(docx_file)
    
    # 去除页眉
    for section in doc.sections:
        header = section.header
        for paragraph in header.paragraphs:
            paragraph.text = ""
    
    # 去除页脚
    for section in doc.sections:
        footer = section.footer
        for paragraph in footer.paragraphs:
            paragraph.text = ""
    
    # 提取文字
    text = ""
    for paragraph in doc.paragraphs:
        text += paragraph.text + "\n"
    
    return text

# 使用示例
docx_file = "your_document.docx"
text_without_header_footer = extract_text_without_header_footer(docx_file)
print(text_without_header_footer)

你需要将"your_document.docx"替换为你要提取文字的文档路径。这段代码会读取文档，将页眉和页脚的内容清空，并提取所有段落的文字内容（每段之间用换行符分隔），最后返回提取到的文字。

如何使用Python-docx库遍历DOCx文档并提取包含的文字和图片，将图片保存为文件，文字内容存储到列表中？

在Python中，你可以使用`python-docx`库来处理Word文档。以下是一个简单的步骤来遍历DOCX文档、提取文字和图片：

1. 首先，安装`python-docx`库，如果你还没安装，可以使用pip命令：

   pip install python-docx

2. 导入需要的模块：

from docx import Document
import os

3. 打开文档：

document = Document('your_file.docx')

将`'your_file.docx'`替换为你想要操作的实际文档路径。

4. 遍历文档中的每个段落，并获取文本：

text_content = []
for paragraph in document.paragraphs:
    text_content.append(paragraph.text)

这将把所有段落的文字添加到`text_content`列表中。

5. 提取图片：

images_path = []
for image_part in document.parts:
    if image_part.partname.endswith('/word/media/image001.jpg'):
        # 这里假设图片都是jpg格式，如果不是，需要修改正则表达式
        images_path.append(image_part.blob)
        # 将图片保存到指定目录（这里假设为当前目录）
        filename = 'image_' + str(len(images_path)) + '.jpg'
        with open(filename, 'wb') as f:
            f.write(image_part.blob)

这段代码会查找所有的图片，并保存到本地。你需要创建`images_path`列表来跟踪图片路径。

6. 结果整理：
现在`text_content`包含了文档的所有文本，而`images_path`包含了图片的路径列表。