如何在Word 2007 .docx文件中搜索单词？

Question

我想在一个Word 2007文件（.docx格式）中搜索一段文字，比如“某个特殊短语”，这个短语可以在Word里搜索到。

请问有没有办法用Python来查看这个文本？我对格式没有兴趣，只想判断文件里有没有“某个特殊短语”。

Answer 1

在这个例子中，“Course Outline.docx”是一个Word 2007文档，它里面包含了“Windows”这个词，但没有“random other string”这个短语。

>>> import zipfile
>>> z = zipfile.ZipFile("Course Outline.docx")
>>> "Windows" in z.read("word/document.xml")
True
>>> "random other string" in z.read("word/document.xml")
False
>>> z.close()

基本上，你只需要用zipfile打开这个docx文件（其实它是一个压缩包），然后在'word'文件夹里的'document.xml'文件中找到内容。如果你想做得更复杂一点，可以解析XML，不过如果你只是想找一个短语（而且你知道它不会是标签），那么直接在XML中查找这个字符串就可以了。

Answer 2

在看完你上面的帖子后，我做了一个完全用Python写的docx模块，专门用来解决这个特定的问题。

# Import the module
from docx import document, opendocx

# Open the .docx file
document = opendocx('A document.docx')

# Search returns true if found    
search(document,'your search string')

这个docx模块可以在这里找到：https://python-docx.readthedocs.org/en/latest/

Answer 3

更准确地说，.docx文档其实是一个用OpenXML格式压缩的Zip文件：你需要先解压缩它。
我下载了一个示例文件（在谷歌上搜索：某个搜索词 filetype:docx），解压后发现里面有一些文件夹。word文件夹里包含了文档的内容，文件名是document.xml。