使用 Python 操作具有链接和跟踪更改的 Microsoft Word DOCX 文件

Question

我一直在使用出色的python-docx 包来读取、修改和编写Microsoft Word 文件。该包支持从每个段落中提取文本。它还允许一次访问一个“运行”段落，其中运行是一组具有相同字体信息的字符。不幸的是，当您通过运行访问段落时，您会丢失链接，因为该包不支持链接。该软件包也不支持访问更改跟踪信息。

我的问题是我需要访问更改跟踪信息。或者，更具体地说，我需要将具有更改跟踪指示的段落从一个文档复制到另一个文档。

我已经尝试在 XML 级别执行此操作。例如，这段代码 sn -p 将 file1.docx 的内容附加到 file2.docx：

from docx import Document
doc1 = Document("file1.docx")
doc2 = Document("file2.docx")
doc2.element.body.append(doc1.element.body)
doc2.save("file2-appended.docx")

当我尝试在 Mac 上打开文件以查看复杂文件时，出现以下错误：

但是如果我点击确定，内容就在那里。对于非常简单的文件，该操作也没有问题。

我错过了什么？

Answer 1

.element 属性实际上是一个“内部”接口，应该命名为._element。在大多数其他地方，我已将其命名为。你得到的是文档部分的根元素。你可以通过调用来查看它是什么：

print(doc2.element.xml)

该元素下面只有一个 w:body 元素，这是您使用 doc2.element.body 时所得到的（顺便说一句，如果您想检查该元素，.xml 也可以使用）。

您的代码所做的是将一个正文元素附加到另一个 w:body 元素的末尾，从而形成无效的 XML。 WordprocessingML 词汇表对哪些元素可以跟随另一个元素以及有多少等非常严格。对我来说唯一的惊喜是它实际上有时对你有用，我接受它:)

如果您想直接操作 XML，这就是 ._element 属性的用途，鉴于（复杂的）WordprocessingML XML 架构，您需要谨慎操作。

与您坚持使用已发布的 API 不同，一旦 ._element（或 .element）出现在您的代码中，就没有安全网。

在正文中，XML 可以是与外部文档部分的关系，例如图像和超链接。这些仅在它们出现的文档中有效。这或许可以解释为什么有些文件可以修复。