使用Python 2.7读取docx文件

Question

我正在尝试用以下代码读取一个docx文件：

from docx import Document
doc = Document('test.docx')

但是当我尝试打印内容时，出现了这个：

<docx.api.Document object at 0x02952C70>

我该如何读取文件里的内容呢？

我听说docx格式最近有了变化，所以之前的问题和答案可能不再适用了。

Answer 1

这里有关于Document对象结构的信息：

docx.api的源代码

比如，如果你想获取“段落”这个属性：

doc = Document('test.docx')
paragraphs = doc.paragraphs()

希望这能帮到你。

补充：我在python-docx的GitHub仓库找到了这个代码片段，并稍微修改了一下：

document = docx.Document(filename)
docText = '\n\n'.join([
    paragraph.text.encode('utf-8') for paragraph in document.paragraphs
])
print docText

join()函数接收一个用UTF-8编码的字符串列表，这些字符串来自于段落属性返回的数组。所以结果看起来会像这样：

paragraph 1

paragraph 2

paragraph 3

看起来这个方法有效，但它不会打印表格、页眉或页脚。

补充：这个链接是关于python-docx所有文档的主索引：

python-docx 0.7.4文档

Answer 2

其实，你可以不使用 docx 模块来提取Word文件中的信息，使用Python也能做到。Etienne提供了一个解决方案（其实还有很多其他方法），这是一个非常简单的 docx 版本，可能会去掉你看到的那些十六进制数字。不过，就像SebasSBM的回答那样，这个方法对其他功能，比如表格等，可能就不太管用了。

如果这个方法还是不行，我建议你看看这些回答，也许其中有一个对你新的docx格式仍然适用。