如何有效地從docx/xml中刪除表格並提取文本

Question

我在刪除表格後從.docx中提取文本時遇到了問題。 我正在處理的docx文件包含很多我想在提取文本之前擺脫的表格。 我首先使用docx2html將docx文件轉換爲html，然後使用BeautifulSoup刪除表格標籤並提取文本。

from docx2html import convert 
from bs4 import BeautifulSoup 
... 
temp = convert(FileToConvert) 
soup = BeautifulSoup(temp) 
for i in range(0,len(soup('table'))): 
    soup.table.decompose() 
Text = soup.get_text() 

雖然這個過程的工作，產生了我所需要的，有一些效率問題與docx2html.convert（）。由於.docx文件實際上是.xml文件，因此可能會跳過將docx轉換爲html的過程，並在刪除表格後從xml中提取文本。

Answer 1

docx文件不僅僅是xml文件，而是zipped xml based format，所以你不能直接傳遞一個docx文件到BeautifulSoup。格式似乎很簡單，雖然as the zipped docx contains a file called word/document.xml這可能是你想要解析的xml文件。您可以使用Python的zip文件模塊，提取該文件，並直接傳遞其內容BeautfulSoup：

import sys 
import zipfile 

from bs4 import BeautifulSoup 

with zipfile.ZipFile(sys.argv[1], 'r') as zfp: 
    with zfp.open('word/document.xml') as fp: 
     soup = BeautifulSoup(fp.read(), 'xml') 

print soup 

然而，你可能也想看看https://github.com/mikemaccana/python-docx，這可能會做很多你想要什麼已經。我沒有嘗試過，所以我不能保證它適合您的具體使用情況。