用python2.7阅读docx答案

【问题标题】：reading docx with python2.7用python2.7阅读docx
【发布时间】：2014-07-23 03:26:55
【问题描述】：

我正在尝试使用以下代码读取 docx 文件：

from docx import Document
doc = Document('test.docx')

但是当我尝试打印它时，我得到了这个：

<docx.api.Document object at 0x02952C70>

如何读取文件内的内容？

我读到 docx 最近发生了变化，所以旧的问题/答案不再适用。

【问题讨论】：

您是否尝试访问这些段落？
不，我该怎么做@IgnacioVazquez-Abrams？
您是否尝试按照文档中的说明进行操作？
是的，我已经检查了文档，但我没有看到关于段落的功能。我刚刚看到section函数whci也返回一个类似的十六进制代码。

标签： python

【解决方案1】：

在此处查看 Document 对象的结构：

Source code for docx.api

例如，如果要获取属性“paragraphs”：

doc = Document('test.docx')
paragraphs = doc.paragraphs()

我希望这会有所帮助。

编辑：我在python-docx's gitHub repository 中找到了这个 sn-p，并在此处进行了一些编辑：

document = docx.Document(filename)
docText = '\n\n'.join([
    paragraph.text.encode('utf-8') for paragraph in document.paragraphs
])
print docText

join() 函数从段落属性返回的数组中的段落中接收以 UTF-8 编码的字符串列表。所以结果看起来像：

paragraph 1

paragraph 2

paragraph 3

看起来这样可以，但它不打印表格、页眉或页脚。

编辑：此链接是有关 python-docx 的所有文档的主要索引：

python-docx 0.7.4 documentation

【讨论】：

好的，但我仍然得到十六进制代码，而不是纯文本
我已经编辑了分配新信息的答案和代码 sn-p。看看吧。
谢谢，但我遇到了特殊字符的问题（例如，我没有得到 são，而是得到 s├úo）。
也许，在你的情况下，你不需要编码 - 所以它只是没有 encode() 方法的paragraph.text，或者你需要使用你的软件使用的编码对其进行编码- 请原谅重复。

【解决方案2】：

可以不使用docx 模块通过Python 从Word 文件中提取信息。 One solution, (there are many), from etienne 是 docx 的一个非常基本的版本，它可能会删除您获得的十六进制数字。但是，就像 SebasSBM 的回答一样，它不适用于其他功能，例如表格等。

如果还是不行，我建议看看these answers；也许其中之一仍然与您的新 docx 格式相关。

【讨论】：