python-docx是用來解析docx類型文檔的庫，可以方便提取每個段落中的文字，但是對圖片和表格沒有辦法處理。使用網上的這段代碼，可以批量提取docx文檔中圖片，但無法保留與文字的相關次序：
from os.path import basename from docx import Document file_name = "D:/2.docx" doc = Document(file_name) for shape in doc.inline_shapes: contentID = shape._inline.graphic.graphicData.pic.blipFill.blip.embed contentType = doc.part.related_parts[contentID].content_type if not contentType.startswith('image'): continue imgName = basename(doc.part.related_parts[contentID].partname) print(contentID, contentType, imgName) # imgData = doc.part.related_parts[contentID]._blob imgData = doc.part.related_parts[contentID].blob with open('D:/docx_pro/output/' + imgName, 'wb') as fp: fp.write(imgData)
上述代碼利用Document對象中inline_shapes方法遍歷出所有圖片的標簽，並映射到文檔中圖片，進而輸出。實際上，內聯的圖片ID存在於paraghaphs對象中的runs對象中，可以使用element.xml屬性正則提取ID，進而序化保存，修改代碼為：
from docx import Document from os.path import basename import re file_name = "D:/2.docx" doc = Document(file_name) a = list() pattern = re.compile('rId\d+') for graph in doc.paragraphs: b = list() for run in graph.runs: if run.text != '': b.append(run.text) else: # b.append(pattern.search(run.element.xml)) contentID = pattern.search(run.element.xml).group(0) try: contentType = doc.part.related_parts[contentID].content_type except KeyError as e: print(e) continue if not contentType.startswith('image'): continue imgName = basename(doc.part.related_parts[contentID].partname) imgData = doc.part.related_parts[contentID].blob b.append(imgData) a.append(b)
這樣就可以得到文檔的序化列表，保存到mongodb中。
對於docx文檔轉換並保存到數據庫中，這里存在多個問題：
- 原始格式丟失，不過對於輕格式文檔來說，不是問題
- 圖片中存在類似於
wmf和emf格式的圖片，網頁無法顯示，這也是mammoth庫轉docx文檔會出現某些圖片不顯示的問題。兩種思路解決： - 將
wmf類型轉成png等類型，但這會丟失公式的排版和可編輯性 - 將
wmf類型轉換或識別為LaTeX格式，mathtype可以實現，但對emf格式不行；mathpix有圖片識別接口，超量收費；網上存有im2latex的庫，試過一個，效果不如mathpix，后期填坑目標 - 表格數據丟失，嘗試用
Document屬性解決，目前沒有找到合適的，但mammoth庫可以顯示table塊，雖然樣式有問題，后期嘗試用其源碼實現下