python 解析word文档，按顺序输出

标签：word img python text image run 文档 images path

概述

       日常的开发中，有需要解析文档的内容存在，需要进行对文档的结构化解析，然后提供给AI进行解读

实践步骤

1、安装库 

pip install python-docx

2、编写代码

import os
import docx
from docx import Document
import xml.etree.ElementTree as ET

# 命名空间配置
nsmap = {
    'wp': 'http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing',
    'a': 'http://schemas.openxmlformats.org/drawingml/2006/main',
    'r': 'http://schemas.openxmlformats.org/officeDocument/2006/relationships'
}

# 图片类型映射
content_type_to_ext = {
    'image/png': 'png',
    'image/jpeg': 'jpg',
    'image/jpe': 'jpg',
    'image/gif': 'gif',
    'image/bmp': 'bmp',
    'image/tiff': 'tiff',
    'image/x-png': 'png',
    'image/pjpeg': 'jpg'
}


def extract_images_from_run(run, img_dir, img_counter):
    """从Run元素中提取图片"""
    images = []
    try:
        xml_str = run._element.xml
        root = ET.fromstring(xml_str)
        # 查找所有图片元素
        for blip in root.findall('.//a:blip', nsmap):
            embed = blip.attrib.get(f'{{{nsmap["r"]}}}embed')
            if embed and embed in run.part.related_parts:
                image_part = run.part.related_parts[embed]
                image_data = image_part.blob
                # 获取图片扩展名
                ext = content_type_to_ext.get(image_part.content_type, 'png')
                img_counter += 1
                img_name = f'image{img_counter}.{ext}'
                img_path = os.path.join(img_dir, img_name)
                # 保存图片
                with open(img_path, 'wb') as f:
                    f.write(image_data)
                images.append(img_path)
    except Exception as e:
        print(f"提取图片时出错: {e}")
    return images, img_counter


def parse_docx(file_path, img_dir='output_images'):
    """解析Word文档并按顺序返回内容和图片"""
    os.makedirs(img_dir, exist_ok=True)
    doc = Document(file_path)
    result = []
    img_counter = 0

    # 遍历文档中的所有元素
    for element in doc.element.body:
        # 处理段落
        if element.tag.endswith('p'):
            paragraph = docx.text.paragraph.Paragraph(element, doc)
            current_text = []
            for run in paragraph.runs:
                # 收集文本
                if run.text.strip():
                    current_text.append(run.text)
                # 提取图片
                images, img_counter = extract_images_from_run(run, img_dir, img_counter)
                for img_path in images:
                    # 先保存已收集的文本
                    if current_text:
                        result.append({'type': 'text', 'content': ''.join(current_text)})
                        current_text = []
                    # 添加图片记录
                    result.append({'type': 'image', 'path': img_path})
            # 处理剩余的文本
            if current_text:
                result.append({'type': 'text', 'content': ''.join(current_text)})

        # 处理表格
        elif element.tag.endswith('tbl'):
            table = docx.table.Table(element, doc)
            for row in table.rows:
                for cell in row.cells:
                    for paragraph in cell.paragraphs:
                        current_text = []
                        for run in paragraph.runs:
                            # 收集文本
                            if run.text.strip():
                                current_text.append(run.text)
                            # 提取图片
                            images, img_counter = extract_images_from_run(run, img_dir, img_counter)
                            for img_path in images:
                                if current_text:
                                    result.append({'type': 'text', 'content': ''.join(current_text)})
                                    current_text = []
                                result.append({'type': 'image', 'path': img_path})
                        # 处理剩余的文本
                        if current_text:
                            result.append({'type': 'text', 'content': ''.join(current_text)})
    return result


# 使用示例
if __name__ == "__main__":
    docx_path = "D:\\AI Hub 1.6.2 版本.docx"
    output = parse_docx(docx_path)

    # 打印输出结果
    for item in output:
        if item['type'] == 'text':
            print(f"文本内容：{item['content']}")
        else:
            print(f"图片路径：{item['path']}")

结果

文本内容：文本内容1
文本内容：文本内容2
文本内容：文本内容3
图片路径：output_images\image1.png
图片路径：output_images\image2.png
图片路径：output_images\image3.png
文本内容：文本内容4
文本内容：文本内容5
文本内容：文本内容6
图片路径：output_images\image4.png
文本内容：添加
图片路径：output_images\image7.png
文本内容：查看
图片路径：output_images\image8.png

通过这个方式，可以快速进行文档解析，将解析的内容同步到LLM 让LLM 进行解析

标签：word,img,python,text,image,run,文档,images,path
From： https://blog.csdn.net/serviceLive/article/details/146025284