。

而且这并不是重复造轮子#xff0c;因为市面上操作.docx的…python如何解析word文件格式.docx

Open

XML标准”这意味着我们能用python的文本操作对它进行操作实际上PPT和Excel也是。

而且这并不是重复造轮子因为市面上操作.docx的库限制性非常强

python-docx是开源的但不支持高级操作例如增加批注、修订等。

spire.doc支持高级操作但需要商业许可微软开放了word的api接口但不是跨平台的。

只支持win平台且学习门槛较高

所以我们从开源的标准入手用python实现操作word文件的功能。

看下图把.docx文件的后缀手动改为.zip竟然可以直接解压。

原来.docx本质上是一个zip压缩包。

解压后的word文件漏出了他的真实面目。

原来.docx由很多.xml文件及其他组成。

注意下图框出的word/document.xml他是我们操作word文件的主角有些高级功能不在其中比如批注在另外的xml中。

因为其中记录了word文档的文本、字体、段落格式等。

.xml是一个纯文本文件理论上我们用python可以操作word/document.xml中定义的任何元素。

解释一下.xml格式你可以粗略的把它理解为.html。

区别在于.html的标记是预先定义好的.xml的标记由架构或文档的作者定义并且是无限制的。

如果你没有接触过的话我建议百度一下有助于理解下面的内容。

我举个例子来看一下word/document.xml的结构具体的含义写在注释里了

w:document

xmlns:whttp://schemas.openxmlformats.org/wordprocessingml/2006/main

注意这行下文要用到w:body

body是文档的主体是个nodelist一般只有一个元素w:p

w:rsidR00F921A6

w:color000000//w:pBdrw:widowControl/

控制孤行w:spacing

/w:document注意看上面xml的第一行xmlns:whttp://schemas.openxmlformats.org/wordprocessingml/2006/main定义了document及其子元素的命名空间。

xmlns用来声明属性比如这里xmlns:w代表绑定了w为前缀那么子元素中所有前缀为w的都绑定到命名空间http://schemas.openxmlformats.org/wordprocessingml/2006/main。

为什么要着重讲命名空间呢因为docx的前缀不是统一的比如Microsoft

Word一般用w但是wps就不用w了记得在操作之前先确定命名空间。

以上只是举个列子实际上各种标记种类和用法非常多。

具体的标记用法参考OOXML标准你可以在下图画红框的地方查找仅适用于Microsoft

OOXML标准的中文翻译https://hellowac.github.io/ecma-376-zh-cn/