Python读取Word（.docx）正文信息的方法
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：
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)
您可能感兴趣的文章:使用python批量读取word文档并整理关键信息到excel表格的实例Python实现批量读取word中表格信息的方法python读取word文档,插入mysql数据库的示例代码Python读取word文本操作详解python读取word文档的方法python读取word 中指定位置的表格及表格数据
