--- theme: healer-readable --- ## 一、应用场景：有什么用处？很多人在从事企业信息化的工作中，经常会用到word的解析。能解析word的前提，就是docx格式。 ## 二、docx格式：为什么出现？不知道您各位有没有印象，从某个时期开始，微软办公文件名的小尾巴多了一个“x”。原来word、PowerPoint还有excel，后缀名分别是doc、ppt、xls。后来，就突然涌现出了docx、pptx、xlsx。到目前为止，这些x们占据了主流市场。 > 为什么？为什么要这样？我仿佛听到Office家族在抱着扫帚悲伤地唱：你伤害了Word，还Excel而过，你Access的贪婪，我PowerPoint…… 原来的doc格式是加密的，只有微软自己家的软件才能打开。后来微软觉得，这样并没有让自己很神圣，反而限制了自己的发展。比如，金山WPS也是搞办公软件的，它的发展很快，积累了很多用户。不少人开始用wps了，word的用户面临被瓜分。于是，微软就基于Office Open XML标准，把文档家族做了兼容。因为新标准是采用的xml格式记录信息的，所以就在.doc后面加了个x。新标准之后，即便是微软创建的文档，WPS也能打开。这样，用户只关心文档就行，不用在意用哪个软件，这就实现了用户共享。反正，是这个意思，我猜的，别全信…… ## 三、文件结构：怎么来解析？那么，docx格式究竟是什么样子的呢？ ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/1f9aa609af504b0b838dcbe08cfd8fe3~tplv-k3u1fbpfcp-zoom-1.image#?w=1097\&h=792\&s=202913\&e=png\&b=fefefe) 它看起来是个文件，其实，它是个压缩包。下面就是一个docx文档，是我亲手编辑的。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/eb6f462d195d470cabc9ef8a01d69233~tplv-k3u1fbpfcp-zoom-1.image#?w=892\&h=784\&s=50920\&e=png\&b=fefefe) 我再亲自做一下解压缩：将.docx改为.zip，右键选择解压文件，它就露出原形了。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/50d2394ec86e47afac9ba7c7c4d7f9b2~tplv-k3u1fbpfcp-zoom-1.image#?w=641\&h=431\&s=211472\&e=gif\&f=117\&b=fefefe) 上图演示了解压缩，并打开了`word/media`文件夹，这是文档里出现的图片。分析发现，在docx中同一张图复制多次，media里面只保留一张原图。这说明，它是个勤俭节约的好孩子。承载同样多的内容，docx格式比doc的体积要小。正如我们看到，解压后它是有目录结构的。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/8f17d8b2126e434c8035b5356d03f148~tplv-k3u1fbpfcp-zoom-1.image#?w=491\&h=569\&s=18180\&e=png\&b=f3f3f3) 放心，我不会挨个把文件都给你介绍一遍。因为，那并没有什么用。即便有用，你也记不住。即便你记得住，我也说不明白……为什么要学习那么全面的知识呢？汉字总计10万多个，常用字只有2500个，够用了。我说几个比较关键的点。 ### 3.1 主文件 document.xml 位于word下的`document.xml`文件，是docx的主战场。可以说，文档中你能看到的所有内容，在这里都有直接或者间接的记录。 `document.xml`是一个`XML`格式的文档。我们来打开它，咱们先只打开一级。为了你能看下去，我对数据做了处理，保证你只能看到关键信息。 ```xml ... ... ... ... ... ... ``` 我们看到，`body`体里，只有3种标签，分别是``、``和``。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/7905d01d95224081b8eac8dbc506febd~tplv-k3u1fbpfcp-zoom-1.image#?w=828\&h=456\&s=68704\&e=png\&b=fdfdfd) 一个docx文档，基本由这三种成分组成。`w`指的是`word`，`p`指的是`paragraph`段落，`tbl`表示`table`表格。`sectPr`全称是`section primp`，这个千万别记，容易扰乱思路。清空你的大脑，docx文档里就两种大类，一种叫``段落，另一种叫``表格。 ### 3.2 段落标签 w:p 在docx中，段落是最常见的，是文档中最主要的组成单元。和你理解的段落一样。不换行就属于一个段落。即便是“咔咔咔”敲上6个回车，虽然没有内容，那它也属于6个段落，在`xml`中是6个``。另外，包含图片、流程图、公式等元素的内容，也是包含在段落中的。换句话说，它们都是小弟。我们能用代码取到段落的信息吗？当然能！（这自问自答，被怀疑是凑字数）我们用哪类编程语言都可以做到，因为仅仅就是读取`XML`文件。但是对于教学而言，用`python`无疑是最佳的选择。 ```python # 导入解析xml的库 import xml.dom.minidom as xdom # 加载文档 xp = xdom.parse('word/document.xml') # 获取文档根节点 root=xp.documentElement # 获取body节点们 bodys = root.getElementsByTagName("w:body") # 因为getElements返回多个对象，我们只有一个 body = bodys[0] # 循环遍历body下的节点 for i,ele in enumerate(body.childNodes): e_name = ele.nodeName # 打印{序号} -> {节点名称} is {对象} print(i,"->",e_name,"is",ele) ``` 我们看一下打印结果，它和源文档完全对应，一个都没有少。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/4971bed9a8b14cc3941b9ea191a31849~tplv-k3u1fbpfcp-zoom-1.image#?w=894\&h=513\&s=85399\&e=png\&b=fdfdfd) 下面该详细说一下`w:p`的小弟们了。 ### 3.3 文本标签 w:t 在纷杂的`xml`文件中，可以扒拉出来一个叫``标签。 ```xml word的doc格式原来是不开源的，后来改成了docx格式后，是开源的。 …… …… ``` 这里面存储的内容，就是word里面的文字，`t`就是`text`的简称。你在docx里面看到的每一个字，基本上都是被``和``所包裹的。也就是说，如果我们拿出所有``标签内的文本，我们就做到了纯文本docx的解析。代码，其实很简单，就是在``元素中，扫描``的标签并取出其内容。上面我们已经拿到了`body`标签，所以从那里继续。 ```python # 循环body下的大单元 w:p段落，w:tbl表格 for i,ele in enumerate(body.childNodes): # 找到包含w:t的标签,可能是多个 wts = ele.getElementsByTagName("w:t") ele_text = "" # 记录大单元内所有文本 for wt in wts: # 循环 ele_text = ele_text + wt.text print(ele_text) # 打印输出 ``` 看看代码对应的效果。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/2e0a52cfedb24481b895eca9298f6db1~tplv-k3u1fbpfcp-zoom-1.image#?w=892\&h=784\&s=94110\&e=png\&b=fefefe) 恭喜你，你已经学会了解析docx的文本了。是的，提取一个docx的文本，就是这么简单。你现在就可以写一个程序，可以做到把docx转为txt。但是……有一点我要告诉你，运行代码里的`wt.text`可能会报错，为了便于你理解，我特意写了伪代码。实际上，要从``中取出文本内容，可以像下面这样： ```python import re # 导入正则库 # 构建一个正则，去除<>标签 pattern_del_tag = re.compile(r'<[^>]+>',re.S) # 把元素转为xml格式xxx，然后去标签 t_text = pattern_del_tag.sub('', wt.toxml()) ``` 我认为这么讲，你反而能理解。因为，不用在理解什么叫``的时候，还要分散注意力到正则表达式。 ### 3.4 连续块 w:r 上面我们讲了如何去解析文字。但是，那太简单了。文字是有样式的。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/76f09750925642dc992472df057f8b7f~tplv-k3u1fbpfcp-zoom-1.image#?w=619\&h=212\&s=8206\&e=png\&b=ffffff) 都在同一段`w:p`内的文字，它们的样式，可能不一样。比如前两个字是红色，那么这两个字样式一样。但是，后两个字是绿色，和前面又不一样。为了解决这个问题，docx把具有相同样式的文字，用``标签包裹。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/136fb75a39d04ae8a530c20dad3a7297~tplv-k3u1fbpfcp-zoom-1.image#?w=735\&h=530\&s=40064\&e=png\&b=ffffff) `r`代表`run`。关于这个`run`的解释，很多国内文档都直接翻译为“`运行`”。其实，run在英文中有很多解释。我觉得在这里更适合它的释义应该是：“一段”、“一系列”、“连续上演”。因此，我个人给这个标签起名叫：`连续块`。表示在这个标签之内的文本，是一个系列的，他们的特点是连续不间断的。代码依然是处理`xml`文件的那一套，不是找标签就是拿属性。还有其他的样式标签，你可以自己研究。我这里先抛砖引玉，举两个例子。比如上面例子中的字体颜色，一般在``标签内。`w`依然表示`word`，`r`表示`run`，`Pr`表示`Primp`，是修饰、装饰的意思。``这个标签的释义就是：连续块的样式说明。类似的还有``，表示对段落`paragraph`的样式说明。``，表示对表格单元格`table cell`的样式说明。我们来看一下，连续块修饰``是如何定义的。比如对于粗体、斜体的说明。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/2493d039fc0b4620b1576a62a269fe96~tplv-k3u1fbpfcp-zoom-1.image#?w=690\&h=416\&s=14072\&e=png\&b=ffffff) 用代码进行判断，主要是`tag`的读取。能找到`tag`，就说明有此种样式的标记。 ```python w_i = w_rPr.getElementsByTagName("w:i") if w_i: print("是斜体") w_b = w_rPr.getElementsByTagName("w:b") if w_i: print("是粗体") ``` 再比如对于各种线条的说明。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/d7ea34ce6d20408b944c3e88e69ba809~tplv-k3u1fbpfcp-zoom-1.image#?w=691\&h=547\&s=21554\&e=png\&b=ffffff) 上面的例子，如果用代码进行判断的话，除了对 `tag`存在的判断，还需要获取属性值`w:val`，表示用了哪一类具体的样式。 ```python w_u = w_rPr.getElementsByTagName("w:u") if w_u: # 获取属性值用 getAttribute line_value = w_u[0].getAttribute("w:val") if line_value == "single": print("是下划线") if line_value == "double": print("是双划线") if line_value == "wave": print("是波浪形线") if line_value == "dotted": print("是虚线") ``` 我可以很负责任地说，只要是文档中呈现的信息，在`xml`文件中都可以找到对应的标注。我可以“吧啦吧啦”全告诉你，但是会影响你看其他的内容。有兴趣你可以去查资料，都是手册类型的资料，很方便。我倒是觉得，你自己在word中标记一下，然后解压缩观察`xml`文件的变化，这样子学的更牢。反正我就是这么学来的。以下是我用html把一个word文档做了复原。这是docx原文档： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/fbb9f31c67b24f07b2ccd8a980f96447~tplv-k3u1fbpfcp-zoom-1.image#?w=892\&h=784\&s=50920\&e=png\&b=fefefe) 这是解析docx文档后呈现的html页面： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/bb4670e9016c4459bcb72e0ea99d2379~tplv-k3u1fbpfcp-zoom-1.image#?w=979\&h=570\&s=742990\&e=gif\&f=71\&b=9fc3e7) 我们可以看到，包括字号、字体、字色、标线都可以复原。只剩下两个重要的内容没有说了。那就是图片和表格。 ### 3.5 图像标签 w:drawing docx中的图片是如何从`xml`中提取出来的呢？你在连续块``中会发现有一个``标签。这里面主要存放的，就是图画相关的信息。图片仅仅是``中的一个小分类。除了图片，还有图表、形状、流程图等。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/3ca97a383f99447dae7ac870474f1e2b~tplv-k3u1fbpfcp-zoom-1.image#?w=788\&h=630\&s=14013\&e=png\&b=ffffff) 今天，咱们说个最简单的，那就是如何提取图片。图片的标签是``，他在`xml`中如下定义： ```xml ``` 其中，图片文件就藏在``中，里面的`rId9`就是捕获图片的线索。还记不记得解压缩时，那个media文件夹，里面有好多图片。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/028e0f6b94c44694b96e0f174ded305c~tplv-k3u1fbpfcp-zoom-1.image#?w=433\&h=246\&s=20917\&e=png\&b=fdfdfd) 是有图片，但这也不是`rId9`呀？别急，有个文件专门做关联这件事情。它就是解压缩之后的`word/_rels/document.xml.rels`文件。打开这个文件： ```xml …… ``` 哈哈，这里有档案，记录了哪个`id`指向哪个文件。于是，我们解析这个文件，就可以拿到对应关系。然后，遇到`pic`中`id`等于`rId9`的，就把`media/image1.png`这个图片文件展示出来。这，就实现了图片的解析。可以鼓掌了！ ### 3.6 表格标签 w:tbl 表格标签``的地位很重，它和段落标签``平级。分析整个文档的顶层组成元素，我们不难发现，除了``就是``。一开始，我不理解。为什么图表、流程图那么复杂的元素，却不配得到表格那么高的地位。天理何在？后来，我解析到一个表格后发现。我，好像低估了``大佬的地位。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/62f13d7447ef428eb01792d8b487066b~tplv-k3u1fbpfcp-zoom-1.image#?w=811\&h=587\&s=42950\&e=png\&b=ffffff) 如果，你看到上面的图没有笑喷。那说明，你可能没有看懂本文。或者是我的笑点出了问题。单纯表格的结构，其实不复杂。但是，表格里每一个单元格，却可以容纳另一个word文档。表格里面，图片、图表、文本样式，甚至表格里再来一个表格，什么都可以添加，它甚至是包含了``大佬。``和``并列，它反而是委屈的。我们来看一下表格``的基本结构。 ```xml ... ... ... ``` 节点元素中，主要有两部分内容，一个``介绍表格列的个数。另一个是``包含表格行的信息。 `tr`是`table row`的缩写。其中，``里面有``，这里面是格子的内容。我们发现其内容，居然是一个它的兄弟节点``。在此，给表格大佬深深地鞠上一躬。 `tc`是`table cell`的缩写，表示单元格的意思。有人可能会说，`tc`是`table column`的缩写，表示表格的列。当我后面论述带有合并单元格的表格时，从结构上看，我们会感觉`table cell`更适合语境。先说基本表格的解析，如下图所示： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/6bcbe2c54f0b4de49ddbff52810775ce~tplv-k3u1fbpfcp-zoom-1.image#?w=848\&h=556\&s=62858\&e=png\&b=fefefe) 解析的代码参考如下： ```python w_table = body.childNodes[0] # 拿到表格节点 # 获取所有的行 w_trs = w_table.getElementsByTagName("w:tr") rows_text = [] # 存放行的文本 for r_index, tr in enumerate(w_trs): # 获取所有的单元格 cells = tr.getElementsByTagName("w:tc") cells_text = [] # 存放单元格的文本 for c_index, cell in enumerate(cells): # 获取所有的文本 wts = cell.getElementsByTagName("w:t") for wt in wts: # 把文本拼接 cells_text.append(wt.text) rows_text.append(cells_text) print(rows_text) # 打印结果，二维数组[[r1c1,r1c2],[r2c1,r2c2]] ``` 运行一下代码，结果如下： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/c16f254b436b41de90fb292946927fbc~tplv-k3u1fbpfcp-zoom-1.image#?w=482\&h=317\&s=12272\&e=png\&b=fefefe) 这里面我又挖坑了，除了前面讲`w:t`时的`wt.text`陷阱之外。`w:tc`的内容应该是去解析完整的`w:p`结构，而这里我只取了`w:t`文本。这样最简单。因为，我们是要理解表格的结构。因此，其他的可以假装看不见。但是，也由此可见，做好表格解析的前提，是做好段落解析。因为表格单元格里是段落。我相信，有了表格的解析结果（二维数组），你很容易就可以把它还原成表格页面用于展示。只需要循环就好，第一层循环行，第二层循环列。我还是用1分钟写一下代码吧： ```python rows_text = [['名称', '后缀名'], ['Word', 'docx']] table_html = [""] for row in rows_text: table_html.append("") for cell in row: table_html.append("") table_html.append("") table_html.append("

"+cell+"

") table_html = "".join(table_html) print(table_html) # # # #

名称	后缀名
Word	docx

``` 据我所知，世界上的表格除了上面那种简单的，还有一些稍微复杂的。那就是带有合并单元格的表格。比如下面这种： ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/dbf1978d99ce41daa7eac02a2e308742~tplv-k3u1fbpfcp-zoom-1.image#?w=669\&h=431\&s=11794\&e=png\&b=ffffff) 这类表格的解析稍微复杂一些，它们属于复杂里面最简单的。我们来看看他们的`xml`数据是如何定义的。首先看带有跨行的表格的例子。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/84dae53ee60e410e98bb43acb3a25304~tplv-k3u1fbpfcp-zoom-1.image#?w=759\&h=809\&s=61130\&e=png\&b=fffefe) 对于跨行的情况，我们发现表格的`xml`数据，该有的行和列，数量都没有变。只是在要合并的单元格上标记了一个``标签。这个标签表示有跨行的单元格。`v`表示`vertical`，是竖直方向的意思。`vMerge`表示竖直合并。这个标签里面还有属性值`w:val`，当值为`restart`时表示此单元格开始出现合并，`continue`表示此单元格没有结束，继续保持，直到遇到非`continue`情况。再来看看跨列的情况。 ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/7f6a99eef6aa4720bdd70425fb62f63a~tplv-k3u1fbpfcp-zoom-1.image#?w=781\&h=593\&s=42744\&e=png\&b=fefefe) 跨列因为发生在行内，是行内矛盾，不影响其他行。所以，我们看到只有在第1行的第1格中，采用``标签，说明本行有跨列的单元格。`val`值是`2`，表示跨`2`个单位。为什么我前面说，`tc`是`table cell`的缩写。我的依据就在这里。其实这个表格的结构是2行2列。如果`c`指的是`column`的话，它应该有2个``，后一个复用前一个。但是，我们看上图里的结构，它只有一个``。那我们称呼它叫单元格更贴切，因为它只有一个框。你可以反驳我，我会立马说，你说的对，但以后依然称呼它单元格。带有合并单元格的页面还原，逻辑稍微复杂。但是底层还是和普通表格一样，通过循环行和列。你只需要遇到合并的时候，搞一个`colspan=2`或者`rowspan=3`就行。 > 我是ITF男孩，在掘金是[TF男孩](https://juejin.cn/user/615370768790158)，但你……带你从IT视角看世界。