提取 MS Word 文档格式元素以及原始文本信息

Question

在this post @mikemaccana 中描述了如何使用python-docx 从python 中的MS Word 文档中提取原始文本数据。我想更进一步。除了简单地提取原始文本信息之外，我还可以使用此模块来获取有关字体（例如粗体与斜体）或字体大小（例如 12 与 18pt）的信息。我最接近的是this post 询问使用此模块提取突出显示的文本条目。

似乎有点抽象，我不完全确定这里发生了什么。有没有更直接的方法从 python 中的 Word 文档中提取格式信息？通过快速文档模板：

这里的第一行是一个带有一个句子的大标题。

第二行略小。它也有两个句子。

甚至更小。但这还不是全部。这一行有三句话。

最后，这是一行常规的非粗体文本。

如果我们将这四行称为我的 word 文档，我想编写一个解析函数，称之为 doc_parser，它返回如下内容类似：

>>>> doc_data = doc_parser(path_to_example_doc)
>>>> print(doc_data)
[1] [{'font': 18, 'face': 'bold', 'n_sentence': 1}, 
{'font': 16, 'face': 'bold', 'n_sentence': 2}, 
{'font': 14, 'face': 'bold', 'n_sentence': 3}, 
{'font': 12, 'face': 'plain', 'n_sentence': 1}]

Answer 1

字符级格式化（“字体”）属性在运行级可用。段落由运行组成。所以你可以通过降低到那个级别来得到你想要的，比如：

for paragraph in document.paragraphs:
    for run in paragraph.runs:
        font = run.font
        is_bold = font.bold
        etc.

您可能遇到的最大问题是运行只知道直接应用于它的格式。如果由于应用了 style 而使其看起来像它的样子，则您必须查询该样式（也有一个字体对象）以查看它具有哪些属性。

请注意，Mike 所说的 python-docx 是在 v0.2.0（现为 0.8.6）之后完全重写的旧版本。文档在这里：http://python-docx.readthedocs.org/en/latest/