用Python從Word文件中擷取文字和圖片

從Word文件中提取內容使我們能夠將它們用於其他操作，例如將內容儲存在資料庫中、將內容匯入到其他程式中、用於人工智慧訓練和建立其他文件。 Spire.Doc for Python 可以輕鬆從 Word 文件中提取文字和圖像，無需大量複製和貼上或複雜的程式碼。本文介紹如何使用簡單的程式碼從 Word 文件中提取並保存文字和圖像內容。

為 Python 導入 Spire.Doc

在使用此工具編輯 Word 文件之前，您必須將其匯入專案中。可以從Spire.Doc for Python官網下載或直接用pip安裝。程式碼如下圖所示：

pip install Spire.Doc
pip install plum-dispatch==1.7.4

Musterdokument

從Word文件中提取文字並寫入TXT文件

Spire.Doc for Python 的 Document.GetText() 方法可以檢索 Word 文件中的所有文字並將其作為字串傳回。我們可以將傳回的字串寫入文字檔案中進行儲存。步驟如下：

• 建立一個文件物件。
• 使用 Document.LoadFromFile() 方法載入 Word 文件。
• 使用 Document.GetText() 方法從文件中取得文字。
• Den abgerufenen Text in eine Textdatei schreiben.

代碼貝斯皮爾

Python

Copy
from turtle import st
from spire.doc import *
from spire.doc.common import *

def WriteAllText(fname:str,text:List[str]):
        fp = open(fname,"w")
        for s in text:
            fp.write(s)
        fp.close()

inputFile = "Beispiel.docx"
outputFile = "Extrahierter Text.txt"

#Document-Objekt erstellen  
document = Document()

#Word-Dokument laden
document.LoadFromFile(inputFile)

#Text aus Dokument abrufen
text = document.GetText()

#Text in Textdatei schreiben
WriteAllText(outputFile, text)
document.Close()

Extrahierter Text

Bilder aus Word-Dokument extrahieren und speichern

Das Extrahieren von Bildern ist etwas komplexer. Man muss prüfen, ob das untergeordnete Objekt des Dokumentenelements ein Bild oder ein zusammengesetztes Objekt ist. 公平ob dessen untergeordnete Objekte Bilder enthalten . Die Schritte:

• 建立一個文件物件。
• 使用 Document.LoadFromFile() 方法載入 Word 文件。
• Eine Warteschlange für zusammengesetzte Objekte erstellen und die Dokumentenelemente hinzufügen.
• Eine Liste zum Speichern der extrahierten Bilder erstellen.
• Die Dokumentenelemente durchlaufen und die untergeordneten Objekte jedes Knotens durchlaufen, um zu prüfen, ob es sich um ein zusammengesetztes Objekt oder Bildobjekt handelt.
Prüfen, ob das untergeordnete Element ein Bildobjekt ist. Wenn ja, die Bilddaten extrahieren und zur Liste hinzufügen.
Prüfen, ob das untergeordnete Element ein zusammengesetztes Objekt ist. Wenn ja, zur Warteschlange hinzufügen und weiter prüfen.
Bilder in einen Ordner speichern.

代碼貝斯皮爾

Python

Copy
import queue
from spire.doc import * 
from spire.doc.common import *
import os

outputPath = "Bilder/"
inputFile = "Beispiel.docx"

if not os.path.exists(outputPath):
    os.makedirs(outputPath)

#Document-Objekt erstellen
document = Document()  

#Word-Dokument laden
document.LoadFromFile(inputFile)

#Warteschlange erstellen und Dokumentenelemente hinzufügen
nodes = queue.Queue()
nodes.put(document)

#Liste erstellen
images = []

#Dokumentenelemente durchlaufen
while nodes.qsize() > 0:
    node = nodes.get()
    for i in range(node.ChildObjects.Count):
        #Untergeordnetes Objekt des Dokumentenelements abrufen
        child = node.ChildObjects.get_Item(i)
        #Prüfen, ob es ein Bild ist
        if child.DocumentObjectType == DocumentObjectType.Picture:
            picture = child if isinstance(child, DocPicture) else None
            dataBytes = picture.ImageBytes
            #Zur Liste hinzufügen
            images.append(dataBytes)
        #Prüfen, ob es ein zusammengesetztes Objekt ist
        elif isinstance(child, ICompositeObject):
            #Zur Warteschlange hinzufügen
            nodes.put(child if isinstance(child, ICompositeObject) else None)

#Bilder speichern
for i, item in enumerate(images):
    fileName = "Bild-{}.png".format(i)
    with open(outputPath+fileName,'wb') as imageFile:
        imageFile.write(item)

document.Close()

Extrahierte Bilder

Der extrahierte Text wird mit angehängten Bewertungsinformationen gespeichert. Sie können die Bewertungsinformationen direkt am Anfang des Textes löschen. Die extrahierten Bilder sind nict mit.

這是關於使用 Spire.Doc for Python 從 Word 文件中提取文字和圖像的介紹。 Spire.Doc for Python 支援許多其他文件操作。查看官方網站或加入 Spire.Doc 論壇。

以上是用Python從Word文件中擷取文字和圖片的詳細內容。更多資訊請關注PHP中文網其他相關文章！