读取 .docx 文件以提取文本以及文本的字体和其他格式信息
Reading a .docx file to extract the text along with font and other formatting information of the text
如问题所述，我的目标是找到一个 python 库来从 .docx 文件中提取文本和字体信息。例如，对于以下文本：“hello world” 我需要能够读取字符串 hello 是粗体而不是斜体并且字符串world 不是粗体和斜体。除了知道文本是粗体还是斜体之外，我还需要知道其他信息，例如大小、颜色、字体类型（如 ariel、times new roman）等。我需要能够阅读整个 .docx 文件并提取信息。
我尝试使用 python-docx 库，并且能够提取文本，但不能提取 .docx 文件中的相关字体信息。例如在下面的代码中：
import docx
doc = docx.Document('cg0002.docx')
for para in doc.paragraphs:
for run in para.runs:
font = run.font
is_bold = font.bold
我会得到字体和 is_bold 作为 none。经过进一步的研究，我了解到你不能使用图书馆来阅读 .docx 字体，但你必须自己分配它们。有没有其他库可以用来实现我的目标？
我愿意做出的妥协：我不是特别坚持使用 python 来解决这个问题。我可以使用任何其他语言，如 java、javascript、c/c++、powershell 等。我还可以将文档转换为其他格式，如 pdf，如果它更容易提取信息，前提是文档保持完整（例如，我可以尝试将其上传到 google 文档并使用 appscript 尝试提取文本，但使用 [=29= 查看后某些字体将不会保留] 文档，所以我不想那样做。
对于 DocX，可能 100% 最好使用 VBA 来获取详细信息。
然而，“潜在的”替代途径可能是通过从写字板导出到基本 RTF 来简单地删除任何样式覆盖。再看看目标块的重新定义特征。
注意：- 根据转换情况，这可能无法 100% 可靠地实现您的目标。
虽然我们可以从命令行使用写字板将 DocX 转换为 PDF，但如果不使用 VBS 宏就无法将 DocX 转换为 RTF，但这是另一个问题。
从Header中我们可以看到CodePage=1252 & 2057= English (United Kingdom) British :-)
按眼睛分解
\b\f0\fs24\lang9 Hello \b0\i World\ul\i0 !\ulnone\fs22\par
\b - Is the start of Bold
\f0 - Calibri in the given language (BEWARE here 0 is an index NOT a stop)
\fs24 - Is points x 2 so the text here is 12 point
\lang9 - I forget at the moment, awaiting correction in comments :-)
Hello - Has both a leading and trailing space (leading is to be ignored)
\b0 - My BAD, boldening STOPS, AFTER the space between the words
\i - Start italics (ignore the space before World)
\ul - Start underlining
\i0 - Stop italics (ignore the space before !)
\ulnone - Stop underline (don't ask me why not \ul0)
\fs22 - I will let you guess the default page font height but by now you know it is not 22
\par - THE END, "That's all Folks!" ™
P.S.
我重新访问了源代码，进行了 2 处更正，看看您是否可以解决这两项更改。关于第二个问题的“我的”线索在上面，但在使用正则表达式时很容易让你出错。
\b\f0\fs22\lang9 Hello,\i \b0 World\ul\i0 !\ulnone\par
虽然它最终应该是
\b\f0\fs22\lang9 Hello,\b0 \i World\ul\i0 !\ulnone\par
如问题所述，我的目标是找到一个 python 库来从 .docx 文件中提取文本和字体信息。例如，对于以下文本：“hello world” 我需要能够读取字符串 hello 是粗体而不是斜体并且字符串world 不是粗体和斜体。除了知道文本是粗体还是斜体之外，我还需要知道其他信息，例如大小、颜色、字体类型（如 ariel、times new roman）等。我需要能够阅读整个 .docx 文件并提取信息。
我尝试使用 python-docx 库，并且能够提取文本，但不能提取 .docx 文件中的相关字体信息。例如在下面的代码中：
import docx
doc = docx.Document('cg0002.docx')
for para in doc.paragraphs:
for run in para.runs:
font = run.font
is_bold = font.bold
我会得到字体和 is_bold 作为 none。经过进一步的研究，我了解到你不能使用图书馆来阅读 .docx 字体，但你必须自己分配它们。有没有其他库可以用来实现我的目标？
我愿意做出的妥协：我不是特别坚持使用 python 来解决这个问题。我可以使用任何其他语言，如 java、javascript、c/c++、powershell 等。我还可以将文档转换为其他格式，如 pdf，如果它更容易提取信息，前提是文档保持完整（例如，我可以尝试将其上传到 google 文档并使用 appscript 尝试提取文本，但使用 [=29= 查看后某些字体将不会保留] 文档，所以我不想那样做。
对于 DocX，可能 100% 最好使用 VBA 来获取详细信息。
然而，“潜在的”替代途径可能是通过从写字板导出到基本 RTF 来简单地删除任何样式覆盖。再看看目标块的重新定义特征。
注意：- 根据转换情况，这可能无法 100% 可靠地实现您的目标。
虽然我们可以从命令行使用写字板将 DocX 转换为 PDF，但如果不使用 VBS 宏就无法将 DocX 转换为 RTF，但这是另一个问题。
从Header中我们可以看到CodePage=1252 & 2057= English (United Kingdom) British :-)
按眼睛分解
\b\f0\fs24\lang9 Hello \b0\i World\ul\i0 !\ulnone\fs22\par
\b - Is the start of Bold
\f0 - Calibri in the given language (BEWARE here 0 is an index NOT a stop)
\fs24 - Is points x 2 so the text here is 12 point
\lang9 - I forget at the moment, awaiting correction in comments :-)
Hello - Has both a leading and trailing space (leading is to be ignored)
\b0 - My BAD, boldening STOPS, AFTER the space between the words
\i - Start italics (ignore the space before World)
\ul - Start underlining
\i0 - Stop italics (ignore the space before !)
\ulnone - Stop underline (don't ask me why not \ul0)
\fs22 - I will let you guess the default page font height but by now you know it is not 22
\par - THE END, "That's all Folks!" ™
P.S.
我重新访问了源代码，进行了 2 处更正，看看您是否可以解决这两项更改。关于第二个问题的“我的”线索在上面，但在使用正则表达式时很容易让你出错。
\b\f0\fs22\lang9 Hello,\i \b0 World\ul\i0 !\ulnone\par
虽然它最终应该是
\b\f0\fs22\lang9 Hello,\b0 \i World\ul\i0 !\ulnone\par