如何在 Word 2007 .docx 文件中搜索单词？答案

【问题标题】：How can I search a word in a Word 2007 .docx file?如何在 Word 2007 .docx 文件中搜索单词？
【发布时间】：2010-09-12 01:58:37
【问题描述】：

我想在 Word 2007 文件 (.docx) 中搜索文本字符串，例如，可以/将在 Word 中搜索的“一些特殊短语”。

有没有办法从 Python 中查看文本？我对格式没有兴趣 - 我只想将文档分类为具有或不具有“某些特殊短语”。

【问题讨论】：

标签： python ms-word openxml docx

【解决方案1】：

看了你上面的帖子，我做了一个100%原生的Python docx模块来解决这个具体问题。

# Import the module
from docx import *

# Open the .docx file
document = opendocx('A document.docx')

# Search returns true if found    
search(document,'your search string')

docx 模块位于https://python-docx.readthedocs.org/en/latest/

【讨论】：

等等...你写了一个完整的模块只是为了这个问题？！
@11684 是的，我遇到了和发帖人一样的问题，我所能做的只是从 Python 调用 .net 或 Java 的可怕解决方案。
如果我知道如何给你我的声望点，我会奖励他们这个 -write-a-solution- 答案！所以我改为发推文。非常感谢！（解决这个问题的总时间：25分钟，感谢有人为我编写代码）
我认为 nailer 值得一个模因。 “钉钉好人。看到朋友被代码困扰。自己写了一个库。”
opendocxand search 在版本 v0.8.10 中不起作用。我找不到任何关于search 的信息。 opendocx 现在好像是Document。

【解决方案2】：

更准确地说，.docx 文档是 OpenXML 格式的 Zip 存档：您必须先解压缩它。
我下载了一个示例（Google：some search term filetype:docx），解压后我发现了一些文件夹。 word 文件夹包含文档本身，在文件 document.xml 中。

【讨论】：

是的，我得到了所有的 xml 文件。现在我想问你，我们怎样才能得到所有的值，比如（粗体、斜体、颜色、字体名、空格）和所有的格式设置，怎样才能我们从 xml 中获取这些值。

【解决方案3】：

在 Word 文档 XML 文件中搜索的一个问题是文本可以在任何字符处拆分为元素。如果格式不同，它肯定会被拆分，例如在 Hello World 中。但是它可以在任何时候被拆分，这在 OOXML 中是有效的。因此，即使在短语中间格式没有改变，您最终也会像这样处理 XML！

<w:p w:rsidR="00C07F31" w:rsidRDefault="003F6D7A">

<w:r w:rsidRPr="003F6D7A">

<w:rPr>

<w:b /> 

</w:rPr>

<w:t>Hello</w:t> 

</w:r>

<w:r>

<w:t xml:space="preserve">World.</w:t> 

</w:r>

</w:p>

您当然可以将它加载到 XML DOM 树中（不确定这在 Python 中会是什么）并要求仅以字符串形式获取文本，但您可能会因为 OOXML 而导致许多其他“死胡同”规范大约有 6000 页长，MS Word 可以写很多你意想不到的“东西”。因此，您最终可以编写自己的文档处理库。

或者您可以尝试使用Aspose.Words。

它以 .NET 和 Java 产品的形式提供。两者都可以从 Python 中使用。一个通过 COM 互操作，另一个通过 JPype。请参阅 Aspose.Words 程序员指南，在其他编程语言中使用 Aspose.Words（抱歉，我不能发布第二个链接，stackoverflow 还不允许我这样做）。

【讨论】：

OOXML spec is around 6000 pages long : 你一定是在开玩笑吧 :O

【解决方案4】：

在本例中，“Course Outline.docx”是 Word 2007 文档，其中包含单词“Windows”，但不包含短语“random other string”。

>>> import zipfile
>>> z = zipfile.ZipFile("Course Outline.docx")
>>> "Windows" in z.read("word/document.xml")
True
>>> "random other string" in z.read("word/document.xml")
False
>>> z.close()

基本上，您只需使用zipfile 打开 docx 文件（这是一个 zip 存档），然后在 'word' 文件夹中的 'document.xml' 文件中找到内容。如果你想更复杂，你可以parse the XML，但如果你只是在寻找一个短语（你知道它不会是一个标签），那么你可以在 XML 中查找字符串。

【讨论】：

在元素文本中查找短语（使用 XML 解析器）可能比担心部分文本是否与元素名称匹配更容易。

【解决方案5】：

您可以使用docx2txt 获取 docx 中的文本，而不是在该 txt 中搜索

npm install -g docx2txt
docx2txt input.docx # This will  print the text to stdout

【讨论】：

【解决方案6】：

docx 只是一个包含大量文件的 zip 存档。也许你可以看看那些文件的一些内容？除此之外，您可能必须找到一个理解单词格式的库，以便您可以过滤掉您不感兴趣的内容。

第二种选择是与 word 互操作并通过它进行搜索。

【讨论】：

【解决方案7】：

docx 文件本质上是一个 zip 文件，其中包含一个 xml。
xml 包含格式，但它也包含文本。

【讨论】：

【解决方案8】：

OLE 自动化可能是最简单的。您必须考虑格式化，因为 XML 中的文本可能如下所示：

<b>Looking <i>for</i> this <u>phrase</u>

使用简单的文本扫描很难找到它。

【讨论】：

【解决方案9】：

您应该能够使用 MSWord ActiveX 界面提取要搜索的文本（或者，可能进行搜索）。我不知道你是如何从 Python 访问 ActiveX 的。

【讨论】：

【解决方案10】：

你也可以考虑使用OpenXMLDeveloper.org的库

【讨论】：