使用Python从docx中提取非结构化的数据/文本

0 人关注

我是一个python的新手。我想从docx文件中提取非结构化的数据作为键值对。这些数据是表格格式和原始文本格式。我以前曾从表中提取过数值，但我不知道如何做。谁能告诉我，我可以参考哪个软件包或链接来了解这方面的情况？

3 个评论

你可以试试python


            docx

库

vishnuvid ：

我试着用regex提取了原始文本，但对表格格式不适用。我是否应该为这两种格式分别编写代码，还是有什么更好的方法？

Mad Physicist ：

你的第一个资源应该是一个搜索引擎，而不是堆栈溢出。后者应该是一个序列中的最后一个资源，包括研究和你对它的实现。

python

regex

docx

vishnuvid

发布于 2019-11-13

1 个回答

Karmveer Singh

发布于 2019-11-13

已采纳

0 人赞同

Install python-docx

pip install python-docx
并尝试以下代码
import docx
from docx.document import Document
from docx.oxml.table import CT_Tbl
from docx.oxml.text.paragraph import CT_P
from docx.table import _Cell, Table
from docx.text.paragraph import Paragraph
def iter_block_items(parent):
    if isinstance(parent, Document):
        parent_elm = parent.element.body
    elif isinstance(parent, _Cell):
        parent_elm = parent._tc
    else:
        raise ValueError("Error in reading docx file")
    for child in parent_elm.iterchildren():
        if isinstance(child, CT_P):
            yield Paragraph(child, parent)
        elif isinstance(child, CT_Tbl):
            yield Table(child, parent)
def convert_docx_to_text(file_path):
    doc = docx.Document(file_path)
    for block in iter_block_items(doc):
        if isinstance(block, Table):  # check block is table
            keys = []
            for row in block.rows:  # each table row
                if not keys:
                    keys = [cell.text for cell in row.cells] # keys (table headers)
                    continue
                values = [cell.text for cell in row.cells] # values
                print(dict(zip(keys, values)))