從Word XML中提取結構化內容

我想在保留文檔結構的同時從Word文檔中提取文本內容。 This question最接近並提供起點。 Here is a dummy word document.我已經解壓縮，幷包括以下document.xml：從Word XML中提取結構化內容

<?xml version="1.0" encoding="UTF-8" standalone="yes"?> 
<w:document xmlns:wpc="http://schemas.microsoft.com/office/word/2010/wordprocessingCanvas" xmlns:mo="http://schemas.microsoft.com/office/mac/office/2008/main" xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006" xmlns:mv="urn:schemas-microsoft-com:mac:vml" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math" xmlns:v="urn:schemas-microsoft-com:vml" xmlns:wp14="http://schemas.microsoft.com/office/word/2010/wordprocessingDrawing" xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing" xmlns:w10="urn:schemas-microsoft-com:office:word" xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml" xmlns:w15="http://schemas.microsoft.com/office/word/2012/wordml" xmlns:wpg="http://schemas.microsoft.com/office/word/2010/wordprocessingGroup" xmlns:wpi="http://schemas.microsoft.com/office/word/2010/wordprocessingInk" xmlns:wne="http://schemas.microsoft.com/office/word/2006/wordml" xmlns:wps="http://schemas.microsoft.com/office/word/2010/wordprocessingShape" mc:Ignorable="w14 w15 wp14"><w:body><w:p w14:paraId="09AE8A7D" w14:textId="338F199D" w:rsidR="00D8348A" w:rsidRPr="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"><w:pPr><w:pStyle w:val="Title"/><w:rPr><w:sz w:val="40"/><w:szCs w:val="40"/></w:rPr></w:pPr><w:r w:rsidRPr="00987637"><w:rPr><w:sz w:val="40"/><w:szCs w:val="40"/></w:rPr><w:t xml:space="preserve">The </w:t></w:r><w:r w:rsidR="00A6772E"><w:rPr><w:sz w:val="40"/><w:szCs w:val="40"/></w:rPr><w:t>Example Docx</w:t></w:r><w:bookmarkStart w:id="0" w:name="_GoBack"/><w:bookmarkEnd w:id="0"/></w:p><w:p w14:paraId="0803A50C" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637"/><w:p w14:paraId="0EDF635A" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"><w:pPr><w:pStyle w:val="Heading2"/></w:pPr><w:r><w:t>Introduction</w:t></w:r></w:p><w:p w14:paraId="2AF32AB2" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637"/><w:p w14:paraId="4DB9AE94" w14:textId="6C08452A" w:rsidR="00987637" w:rsidRPr="00987637" w:rsidRDefault="00C52D6C" w:rsidP="00987637"><w:r><w:t>This is the introduction para.</w:t></w:r><w:r w:rsidR="00A6772E" w:rsidRPr="00A6772E"><w:t xml:space="preserve"> </w:t></w:r><w:r w:rsidR="00A6772E"><w:t>Awesome.</w:t></w:r></w:p><w:p w14:paraId="676B3B48" w14:textId="77777777" w:rsidR="00987637" w:rsidRPr="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"/><w:p w14:paraId="17CE18FE" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"><w:pPr><w:pStyle w:val="Heading2"/></w:pPr><w:r><w:t>Chapter 1</w:t></w:r></w:p><w:p w14:paraId="58A187F6" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637"/><w:p w14:paraId="2815D3B5" w14:textId="58856A78" w:rsidR="00C52D6C" w:rsidRPr="00987637" w:rsidRDefault="00C52D6C" w:rsidP="00C52D6C"><w:r><w:t xml:space="preserve">This is the </w:t></w:r><w:r><w:t xml:space="preserve">chapter 1 intro </w:t></w:r><w:r><w:t>para.</w:t></w:r><w:r><w:t xml:space="preserve"> </w:t></w:r><w:r w:rsidR="00A6772E"><w:t>Awesome.</w:t></w:r></w:p><w:p w14:paraId="7010E2CD" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"/><w:p w14:paraId="52D9B766" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"><w:pPr><w:pStyle w:val="Heading3"/></w:pPr><w:r><w:t>Chapter 1.1</w:t></w:r></w:p><w:p w14:paraId="055DB7AC" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"/><w:p w14:paraId="22A2C473" w14:textId="1D3FE489" w:rsidR="00A6772E" w:rsidRPr="00987637" w:rsidRDefault="00A6772E" w:rsidP="00A6772E"><w:r><w:t xml:space="preserve">This is </w:t></w:r><w:r><w:t>section 1.1</w:t></w:r><w:r><w:t xml:space="preserve"> </w:t></w:r><w:r><w:t>text</w:t></w:r><w:r><w:t>. Awesome.</w:t></w:r></w:p><w:p w14:paraId="1F60E111" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"/><w:p w14:paraId="62A6FEE6" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"><w:pPr><w:pStyle w:val="Heading3"/></w:pPr><w:r><w:t xml:space="preserve">Chapter </w:t></w:r><w:r><w:t>1.2</w:t></w:r></w:p><w:p w14:paraId="3B8DA076" w14:textId="77777777" w:rsidR="00987637" w:rsidRPr="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"/><w:p w14:paraId="43519FB7" w14:textId="311F726C" w:rsidR="00987637" w:rsidRDefault="00A6772E" w:rsidP="00987637"><w:r><w:t>This is section 1.</w:t></w:r><w:r><w:t>2</w:t></w:r><w:r><w:t xml:space="preserve"> text. Awesome.</w:t></w:r></w:p><w:p w14:paraId="2D6908F2" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"/><w:p w14:paraId="3189011C" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"><w:pPr><w:pStyle w:val="Heading2"/></w:pPr><w:r><w:t>Chapter 2</w:t></w:r></w:p><w:p w14:paraId="6FFC56CD" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637" w:rsidP="00987637"/><w:p w14:paraId="3E9AE930" w14:textId="329881E3" w:rsidR="00987637" w:rsidRPr="00987637" w:rsidRDefault="00A6772E" w:rsidP="00987637"><w:r><w:t xml:space="preserve">This is </w:t></w:r><w:r><w:t>the c</w:t></w:r><w:r><w:t xml:space="preserve">hapter </w:t></w:r><w:r><w:t>2</w:t></w:r><w:r><w:t xml:space="preserve"> </w:t></w:r><w:r><w:t xml:space="preserve">text. </w:t></w:r><w:r><w:t>Awesome.</w:t></w:r></w:p><w:p w14:paraId="57F0B3DF" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637"/><w:p w14:paraId="48315F42" w14:textId="77777777" w:rsidR="00987637" w:rsidRDefault="00987637"/><w:sectPr w:rsidR="00987637" w:rsidSect="00751697"><w:pgSz w:w="11900" w:h="16840"/><w:pgMar w:top="1440" w:right="1440" w:bottom="1440" w:left="1440" w:header="720" w:footer="720" w:gutter="0"/><w:cols w:space="720"/><w:docGrid w:linePitch="360"/></w:sectPr></w:body></w:document>

這將讀取XML：

library(xml2) 
library(magrittr) 
doc = read_xml('document.xml')

我不清楚接下來的步驟來提取這一內容。我試過了：

xml_find_all(doc, "/w:body/w:p/w:hyperlink/w:r/w:t") %>% xml_text()

但是這不會返回任何結果。感謝您的幫助。我的目標是以保存文檔結構的某種格式導出文本內容 - 可能是一個csv，列中反映的樹從Title到Heading 1等到Normal。

---------------------------------------- \

編輯：

的例子文檔結構是因爲我看到它：

Title 
-- Heading 2 
-- -- para 
-- -- Chapter 1 
-- -- -- para 
-- -- -- Chapter 1.1 
-- -- -- -- para 
-- -- -- Chapter 1.2 
-- -- -- -- para 
-- -- Chapter 2 
-- -- -- para

說實話我對輸出可撓曲（JSON是罰款），但它需要反映這個約文檔結構。

來源

2017-03-21 geotheory

您必須更具體地瞭解您的意思*保留文檔結構*的某種格式。它已經是高度結構化的格式（OOXML）。表/ CSV從根本上不能很好地表示樹結構。也許如果你陳述你的真正最終目標，我們可能會更好地提供幫助。 – kjhughes

順便說一下，如果沒有其他原因，它會忽略'w：document'根元素，並在文檔中不存在任何'w：hyperlink'元素時引發XPath，否則您的XPath不可能成功。 – kjhughes

@kjhughes我希望能夠解答有關文檔結構和所需輸出的問題。 – geotheory

您可能會嚴重低估任務的複雜性。

XPath用於選擇。編寫XPath表達式從OOXML文檔中提取一組節點將是一件簡單的事情。例如，這個XPath 2.0表達式，

//w:p[w:pPr/w:pStyle/@w:val='Heading2']/string()

將返回文檔：

Introduction 
Chapter 1 
Chapter 2

如果你想要做多選擇，如果你想變換，那麼你將要加強到XSLT。您還需要深入研究5K + OOXML規範的頁面，以處理在Word文檔中可以完成的所有事情。請注意，因爲縮進級別可能來自樣式，所以通常可能會特別棘手。

但是XPath對於選擇的功能非常強大。我將離開你多一個的XPath 2.0表達式，

//w:p[normalize-space()]/normalize-space()

這對於您的文檔將返回，

The Example Docx 
Introduction 
This is the introduction para. Awesome. 
Chapter 1 
This is the chapter 1 intro para. Awesome. 
Chapter 1.1 
This is section 1.1 text . Awesome. 
Chapter 1.2 
This is section 1. 2 text. Awesome. 
Chapter 2 
This is the c hapter 2 text. Awesome.

這似乎功虧一簣你想要的幾乎沒有發力。如果限制輸入空間，您可以用比普通情況更少的努力來恢復層次結構，但處理一般情況非常複雜。

來源

2017-03-21 17:41:50 kjhughes

謝謝。在xml中是否有更自然的層次結構，我可以更容易地提取？此後的前進過程相對開放。 – geotheory

面臨的挑戰是OOXML是格式化/面向表達的，所以可以自然地用XML表示的層次通常作爲包含而不是用縮進級別和/或樣式定義進行編碼。如果您完全控制了輸入DOCX，則可能會限制您的輸入以簡化您的任務。例如，您可能會對樣式及其名稱強加一個約定。 – kjhughes

我採取了不同的方法，最終使用pandoc - 轉換爲HTML與pandoc -s example.docx -o example.html。這保留了格式和鏈接等，並提供更清潔的輸出。

來源

2017-03-21 20:13:06 geotheory

從Word XML中提取結構化內容

回答

相關問題