本文介紹用Python簡(jiǎn)單讀取*.docx文件信息，一些python-word庫就是對(duì)這種方法的擴(kuò)展。

介紹分兩部分：

• Word(*.docx)文件簡(jiǎn)述
• Python提取Word信息

Word(*.docx)文件簡(jiǎn)述

大約在2008年以前，Office產(chǎn)品中Word用.doc文件格式，這種二進(jìn)制格式很難與其他軟件兼容。
為了跟上時(shí)代，微軟采用類XML格式標(biāo)準(zhǔn)定義其新版Word文件.docx。
.docx實(shí)際上是一個(gè)zip的壓縮文件，比如我們有一個(gè)test.docx的文件：

其內(nèi)容如下：

改變其后綴名為test.zip，然后解壓，會(huì)得到如下文件：

其中Word文件的正文內(nèi)容被保持在word/document.xml中，我們可以打開查看：

Python提取Word信息

根據(jù)Word（.docx）文件格式，我們遵循如下步驟進(jìn)行正文信息的提取：

1 解壓.docx文件
2 用BeautifulSoup解析word/document.xml提取正文信息

具體代碼如下：

from zipfile import ZipFilefrom bs4 import BeautifulSoupdocument=ZipFile('test.docx')xml=document.read("word/document.xml")wordObj=BeautifulSoup(xml.decode("utf-8"))texts=wordObj.findAll("w:t")for text in texts:  print(text.text)

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持VEVB武林網(wǎng)。