【问题标题】：Extract images from word document using Python使用 Python 从 word 文档中提取图像
【发布时间】：2019-06-03 13:31:05
【问题描述】：

如何使用 python 从 word 文档中提取图像/徽标并将它们存储在文件夹中。以下代码将 docx 转换为 html，但不会从 html 中提取图像。任何指针/建议都会有很大帮助。

    profile_path = <file path>
    result=mammoth.convert_to_html( profile_path)
    f = open(profile_path, 'rb')
    b = open(profile_html, 'wb')
    document = mammoth.convert_to_html(f)
    b.write(document.value.encode('utf8'))
    f.close()
    b.close()

【问题讨论】：

这可能是help
如果您被允许转换 word 文件，您可能会尝试将它们转换为 pdf，然后尝试使用此处描述的方法之一获取图像：*.com/questions/2693820/… 我不知道它是否会像您一样工作确实需要，但我觉得值得一试。

标签： python python-3.x python-2.7

【解决方案1】：

您可以使用 docx2txt 库，它会读取您的 .docx 文档并将图像导出到您指定的目录（必须存在）。

!pip install docx2txt
import docx2txt
text = docx2txt.process("/path/your_word_doc.docx", '/home/example/img/')

执行后，您将在 /home/example/img/ 中拥有图像，而变量 text 将拥有文档文本。它们将按出现顺序命名为 image1.png ... imageN.png。

注意：Word 文档必须为 .docx 格式。

【讨论】：

【解决方案2】：

没有任何库的原生

从 docx（它是一个 zip 文件的变体）中提取源图像，而不会失真或转换。

脱壳到操作系统并运行

tar -m -xf DocxWithImages.docx word/media

您将在提取到该名称的文件夹中的 word media 文件夹中找到源图像 Jpeg、PNG WMF 或其他图像。这些是没有比例或裁剪的纯源嵌入。

您可能会惊讶于可见区域可能比 docx 本身中使用的任何裁剪版本更大，因此需要注意 Word 并不总是按预期裁剪图像（令人尴尬的编辑失败的根源）

【讨论】：

【解决方案3】：

使用python提取docx文件中的所有图片

1。使用 docxtxt

import docx2txt
#extract text 
text = docx2txt.process(r"filepath_of_docx")
#extract text and write images in Temporary Image directory
text = docx2txt.process(r"filepath_of_docx",r"Temporary_Image_Directory")

2。使用 aspose

import aspose.words as aw
# load the Word document
doc = aw.Document(r"filepath")
# retrieve all shapes
shapes = doc.get_child_nodes(aw.NodeType.SHAPE, True)
imageIndex = 0
# loop through shapes
for shape in shapes :
    shape = shape.as_shape()
    if (shape.has_image) :
        # set image file's name
        imageFileName = f"Image.ExportImages.{imageIndex}_{aw.FileFormatUtil.image_type_to_extension(shape.image_data.image_type)}"
        # save image
        shape.image_data.save(imageFileName)
        imageIndex += 1

【讨论】：