在 Python 中从 MS Word 文档中提取标题答案

【问题标题】：Extract headings from a MS Word document in Python在 Python 中从 MS Word 文档中提取标题
【发布时间】：2018-02-22 18:37:03
【问题描述】：

我有一个MS Word文档包含一些文本和标题，我想提取标题，我安装了python for win32，但是我不知道使用哪种方法，python for windows的帮助文档似乎没有列出单词 obejct 的功能。以如下代码为例

import win32com.client as win32
word = win32.Dispatch("Word.Application")
word.Visible = 0
word.Documents.Open("MyDocument")
doc = word.ActiveDocument

我怎么知道word object的所有功能？我在帮助文档中没有找到任何有用的东西。

【问题讨论】：

您正在访问 Word 的 win32com API，它不是 Python 的一部分，因此在 Python 中将没有它的文档。
谢谢，那么如何找到COM API的文档，或者有什么方法可以列出COM对象的所有功能？
RocketDonkey 在his/her answer 中链接到它。
@Lattyware Ha，猜猜这是一个模棱两可的名字（'his'）。
@RocketDonkey 我确实很快检查了你的个人资料以寻找线索。我认为这比仅仅假设要好 XD

标签： python ms-word

【解决方案1】：

Word 对象模型可以在here 找到。您的doc 对象将包含这些属性，您可以使用它们来执行所需的操作（请注意，我没有在 Word 中使用此功能，因此我对对象模型的了解很少）。例如，如果您想阅读文档中的所有单词，您可以这样做：

for word in doc.Words:
    print word

你会得到所有的单词。每个word 项都是Word 对象（参考here），因此您可以在迭代期间访问这些属性。就您而言，这是获得样式的方式：

for word in doc.Words:
    print word.Style

在带有单个标题 1 和普通文本的示例文档上，打印如下：

Heading 1
Heading 1
Heading 1
Heading 1
Heading 1
Normal
Normal
Normal
Normal
Normal

要将标题组合在一起，您可以使用itertools.groupby。正如下面代码 cmets 中所解释的，您需要引用对象本身的 str()，因为使用 word.Style 返回的实例不会与其他相同样式的实例正确分组：

from itertools import groupby
import win32com.client as win32

# All the same as yours
word = win32.Dispatch("Word.Application")
word.Visible = 0
word.Documents.Open("testdoc.doc")
doc = word.ActiveDocument

# Here we use itertools.groupby (without sorting anything) to
# find groups of words that share the same heading (note it picks
# up newlines). The tricky/confusing thing here is that you can't
# just group on the Style itself - you have to group on the str(). 
# There was some other interesting behavior, but I have zero 
# experience with COMObjects so I'll leave it there :)
# All of these comments for two lines of code :)
for heading, grp_wrds in groupby(doc.Words, key=lambda x: str(x.Style)):
  print heading, ''.join(str(word) for word in grp_wrds)

这个输出：

Heading 1 Here is some text

Normal 
No header

如果您将 join 替换为列表理解，您会得到以下内容（您可以在其中看到换行符）：

Heading 1 ['Here ', 'is ', 'some ', 'text', '\r']
Normal ['\r', 'No ', 'header', '\r', '\r']

【讨论】：

好吧，这将打印多次标题，因为标题可能包含很多单词。
@zdd 是的，这更像是一个概念证明:) 我会用一种可能的方式将它们组合在一起，但绝对不能声称它是“公认的”win32 方式。
@zdd 添加了一个更新，希望对您有所帮助（绝对是一个有趣的 API :)）。

【解决方案2】：

将 word 转换为 docx 并使用 python docx 模块

from docx import Document

file = 'test.docx'
document = Document(file)

for paragraph in document.paragraphs:
    if paragraph.style.name == 'Heading 1':
        print(paragraph.text)

【讨论】：

【解决方案3】：

您还可以使用 Google Drive SDK 将 Word 文档转换为更有用的内容，例如 HTML，您可以在其中轻松提取标题。

https://developers.google.com/drive/manage-uploads

【讨论】：

作为另一种选择，我认为您也可以使用win32com将文档保存为html，然后提取标题。