读取docx文件，识别和存储斜体文本

Question

我应该如何使用 Python 读取 .docx 文件并能够识别斜体文本并将其存储为字符串？

我查看了 docx python 包，但我看到的只是写入 .docx 文件的功能。

感谢提前的帮助

Answer 1

最好的办法是解压 docx，这将创建一个名为 word 的目录。在该目录中是 document.xml，从那里您需要学习 xml 结构和关键字才能阅读斜体文本。完成后，您所要做的就是从 xml 文件中提取文本字符串。

Answer 2

这是我的示例文档 TestDocument.docx 的样子。

注意：单词 "Italic" 是斜体，但 "Emphasis" 使用样式，强调。

如果安装python-docx模块。这是一个相当简单的练习。

>>> from docx import Document
>>> document = Document('TestDocument.docx')
>>> for p in document.paragraphs:
...     for run in p.runs:
...             print run.text, run.italic, run.bold
... 
Test Document None None
Italics True None
Emp None None
hasis None None
>>> [[run.text for run in p.runs if run.italic] for p in document.paragraphs]
[[], ['Italics'], []]

Run.italic属性捕获文本是否被格式化为斜体，但它不知道文本块是否具有以斜体呈现的样式，但可以通过检查[=28来检测=]（如果您知道文档中的哪些样式以斜体呈现。

>>> [[run.text for run in p.runs if run.style.name=='Emphasis'] for p in document.paragraphs]
[[], [], ['Emp', 'hasis']]

读取docx文件，识别和存储斜体文本

Reading docx files, recognizing and storing italicized text

python

string

docx