怎么做一个门户网站,温州网站建设seo,wordpress文件详解,网站报错500python解析word文档#xff0c;提取文档中所有的图片并保存#xff0c;并将原图位置用占位符替换。
问题描述
利用python-dox库解析word文档#xff0c;并提取里面的所有图片时发现会出现一摸一样的图片只解析一次#xff0c;导致图片丢失#xff0c;数量不对的情况。
…python解析word文档提取文档中所有的图片并保存并将原图位置用占位符替换。
问题描述
利用python-dox库解析word文档并提取里面的所有图片时发现会出现一摸一样的图片只解析一次导致图片丢失数量不对的情况。
解决方法
通过例如 lxml 或直接解析 Word 的结构解决 例如读取每个图片引用的具体关系
解析 Word 文档的内容我们需要读取 document.xml 来找到所有的 w:drawing 元素。解析关系文件在 word/_rels/document.xml.rels 文件中每张图片都有一个关系定义你需要读取这个文件来找到图像的实际存储路径。提取和保存图像最后从 Word 的 ZIP包里把真正的图像提取出来保存到本地。
代码
import os
from datetime import datetime
from docx import Document
from docx.oxml.ns import qn
import zipfile
import os
from zipfile import ZipFile
from lxml import etreedef extract_images_and_replace(docx_path, output_docx_path, images_dir):# 打开 docx 文件作为 Zipbase_filenameos.path.splitext(os.path.basename(docx_path))[0]with ZipFile(docx_path, r) as docx:# 读取 word/document.xml 文件document_xml docx.read(word/document.xml)root etree.XML(document_xml)# 读取 word/_rels/document.xml.rels 文件rels_xml docx.read(word/_rels/document.xml.rels)rels_root etree.XML(rels_xml)# 查找所有的 w:drawing 元素drawing_elements root.findall(.//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}drawing)# 创建输出目录os.makedirs(images_dir, exist_okTrue)# 查找并保存所有图片image_id0placelist[]for i, drawing in enumerate(drawing_elements):# 获取 a:blip 的 r:embed 属性blip_element drawing.find(.//{http://schemas.openxmlformats.org/drawingml/2006/main}blip)if blip_element is not None:embed_attr blip_element.get({http://schemas.openxmlformats.org/officeDocument/2006/relationships}embed)if embed_attr:# 查找图像在 rels 中的路径relationship rels_root.find(f.//{{http://schemas.openxmlformats.org/package/2006/relationships}}Relationship[Id{embed_attr}])if relationship is not None:timestamp datetime.now().timestamp()target relationship.get(Target)image_path os.path.join(word, target)placeholder f{base_filename}_{timestamp}unused{image_id}placelist.append(placeholder)# 提取并保存图像with docx.open(image_path) as image_file:image_data image_file.read()image_ext os.path.splitext(image_path)[1]# 保存图片到指定目录image_filename os.path.join(images_dir, f{placeholder}.png)with open(image_filename, wb) as out_file:out_file.write(image_data)print(fImage saved: {image_filename})image_id1print(len(placelist))# 替换文档中对应的图片为占位符i0# 遍历所有段落及图片doc Document(docx_path)for paragraph in doc.paragraphs:for run in paragraph.runs:# try:if graphicData in run._element.xml: # 搜索图片标记# 删除图片并插入占位符文字inline run._element.xpath(.//a:graphic)[0]inline.getparent().remove(inline)run.text placelist[i]i1# except:# break# 保存修改后的 Word 文档doc.save(output_docx_path)print(f提取了 {image_id} 张图片并用占位符替换。)print(f图片保存在{images_dir})print(f修改后的 Word 文件保存在{output_docx_path})# 示例调用
docx_path /data/xxxxx/ZHX财务管理系统.docx # 输入的 Word 文档
output_docx_path /data/xxxxx/ZHX财务管理系统--.docx # 替换图片后保存的 Word 文档
images_dir /data/xxxxx/样例图集/ # 提取图片保存的目录
extract_images_and_replace(docx_path, output_docx_path, images_dir)
