使用python-docx遍歷docx中的目錄

Question

我有一個文檔，其中有一個在文檔開頭自動生成的內容列表，並且希望通過此目錄解析。這可能使用python-docx？如果我嘗試遍歷doc.paragraphs.text，那麼文本中的文本就不會顯示出來。

我嘗試了以下操作：遍歷段落並檢查paragraph.style.name是toc 1然後我知道我在ToC中。但我無法得到實際的文字。我嘗試這樣做：

if para.style.name == "toc 1" #then print para.text. 

但para.text是給我一個空字符串。爲什麼會這樣呢？

感謝

Answer 1

我相信你會發現TOC的實際生成的內容是在非段落元素「包裝」。 python-docx不會直接找到您，因爲它只會找到w:document/w:body元素的直接子元素的段落。

爲了解決這些問題，您需要使用python-docx儘可能地接近lxml級別。你可以得到（和打印）body元素與此：

document = Document('my-doc.docx') 
body_element = document._body._body 
print(body_element.xml) # this will be big if your document is 

從那裏，你可以找出你想要的部分的特定XML位置，並使用LXML/XPath來訪問它們。然後你就可以在python-的docx包起來Paragraph對象爲準備訪問：

from docx.text.paragraph import Paragraph 

ps = body_element.xpath('./w:something/w:something_child/w:p' 
paragraphs = [Paragraph(p, None) for p in ps] 

這不是一個準確的配方，並要求你做一些研究工作什麼w:something等都是，但如果你想它足以克服這些障礙，這種方法將起作用。

一旦你得到它的工作，發佈你的確切解決方案可能會幫助其他人在搜索。