Jest jakiś sposób na czytanie.plik docx zawiera automatyczne numerowanie za pomocą Pythona-docx

Question

Jest jakiś sposób na czytanie.plik docx zawiera automatyczne numerowanie za pomocą Pythona-docx

Problem statement: Wyodrębnij sekcje z .plik docx zawierający automatyczne numerowanie.

Próbowałem w Pythonie-docx wyodrębnić tekst z .plik docx, ale wyklucza automatyczne numerowanie.

from docx import Document

document = Document("wadali.docx")


def iter_items(paragraphs):
    for paragraph in document.paragraphs:
        if paragraph.style.name.startswith('Agt'):
            yield paragraph
        if paragraph.style.name.startswith('TOC'):
            yield paragraph
        if paragraph.style.name.startswith('Heading'):
            yield paragraph
        if paragraph.style.name.startswith('Title'):
            yield paragraph
        if paragraph.style.name.startswith('Heading'):
            yield paragraph
        if paragraph.style.name.startswith('Table Normal'):
            yield paragraph
        if paragraph.style.name.startswith('List'):
            yield paragraph


for item in iter_items(document.paragraphs):
    print item.text

18

python docx python-docx

Author: Max Bender, 2018-08-30

Source

2 answers

Istnieje pakiet docx2python, który robi to w dużo prostszy sposób: pypi.org/project/docx2python/

Następujący kod:

from docx2python import docx2python
document = docx2python("C:/input/MyDoc.docx")
print(document.body)

Tworzy listę, która zawiera zawartość, w tym listy punktorów, w przyjemny sposób parsujący.

3

Author: Elliott,
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2020-04-25 12:57:54

score 7 · Accepted Answer

Wygląda na to, że obecnie python-docx v0.8 nie obsługuje w pełni numeracji. Musisz się włamać.

Najpierw, dla wersji demo, aby iterować akapity dokumentów, musisz napisać swój własny iterator. Oto coś funkcjonalnego:

import docx.document
import docx.oxml.table
import docx.oxml.text.paragraph
import docx.table
import docx.text.paragraph


def iter_paragraphs(parent, recursive=True):
    """
    Yield each paragraph and table child within *parent*, in document order.
    Each returned value is an instance of Paragraph. *parent*
    would most commonly be a reference to a main Document object, but
    also works for a _Cell object, which itself can contain paragraphs and tables.
    """
    if isinstance(parent, docx.document.Document):
        parent_elm = parent.element.body
    elif isinstance(parent, docx.table._Cell):
        parent_elm = parent._tc
    else:
        raise TypeError(repr(type(parent)))

    for child in parent_elm.iterchildren():
        if isinstance(child, docx.oxml.text.paragraph.CT_P):
            yield docx.text.paragraph.Paragraph(child, parent)
        elif isinstance(child, docx.oxml.table.CT_Tbl):
            if recursive:
                table = docx.table.Table(child, parent)
                for row in table.rows:
                    for cell in row.cells:
                        for child_paragraph in iter_paragraphs(cell):
                            yield child_paragraph

Można go użyć, aby znaleźć wszystkie akapity dokumentu, w tym akapity w komórkach tabeli.

Na przykład:

import docx

document = docx.Document("sample.docx")
for paragraph in iter_paragraphs(document):
    print(paragraph.text)

Aby uzyskać dostęp do właściwości numeracja, musisz przeszukać "protected" members paragraph._p.pPr.numPr, który jest obiektem docx.oxml.numbering.CT_NumPr:

for paragraph in iter_paragraphs(document):
    num_pr = paragraph._p.pPr.numPr
    if num_pr is not None:
        print(num_pr)  # type: docx.oxml.numbering.CT_NumPr

Zauważ, że ten obiekt jest wyodrębniany z pliku numbering.xml (wewnątrz docx), jeśli istnieje.

Aby uzyskać do niego dostęp, musisz odczytać plik docx jak pakiet. Na przykład:

import docx.package
import docx.parts.document
import docx.parts.numbering

package = docx.package.Package.open("sample.docx")

main_document_part = package.main_document_part
assert isinstance(main_document_part, docx.parts.document.DocumentPart)

numbering_part = main_document_part.numbering_part
assert isinstance(numbering_part, docx.parts.numbering.NumberingPart)

ct_numbering = numbering_part._element
print(ct_numbering)  # CT_Numbering
for num in ct_numbering.num_lst:
    print(num)  # CT_Num
    print(num.abstractNumId)  # CT_DecimalNumber

Mor informacje są dostępne w Office Open XMl dokumentacja.