如何搜索Word 2007 .docx文件中的单词？

我想搜索一个Word 2007文件（.docx）作为文本字符串，例如，“某些特殊的短语”，可以/将从Word中的搜索中找到。如何搜索Word 2007 .docx文件中的单词？

有没有从Python的方式看到文本？我对格式化没有兴趣 - 我只是想将文档分类为有或没有“某些特殊词组”。

2008-09-22 Gerry

更确切地说，.docx文档是OpenXML格式的Zip存档文件：您首先需要对其进行解压缩。
我下载了一个示例（Google：某些搜索字词文件类型：docx），解压缩后我找到了一些文件夹。字文件夹包含文件本身，文件document.xml。

来源

2008-09-22 17:22:10 PhiLho

雅我得到的所有的XML file.Now我想问你，我们如何获得像（粗体，斜体，颜色，名字，空格）和所有格式设置的所有值，我们如何从XML获取这个值。 – user1006544 2011-12-17 10:46:56

一个docx只是一个zip文件，里面有很多文件。也许你可以看看这些文件的一些内容？除此之外，你可能必须找到一个理解单词格式的库，以便你可以过滤掉你不感兴趣的东西。

第二种选择是与单词互操作并通过它进行搜索。

来源

2008-09-22 17:16:43 kokos

一个docx文件本质上是一个带有xml的zip文件。
xml包含格式，但它也包含文本。

来源

2008-09-22 17:17:15 shoosh

您应该能够使用MSWord ActiveX接口来提取要搜索的文本（或者可能执行搜索）。我不知道如何从Python访问ActiveX。

来源

2008-09-22 17:17:26

OLE自动化可能是最简单的。你必须要考虑的格式，因为文本可能看起来像这样的XML：

<b>Looking <i>for</i> this <u>phrase</u>

有发现，没有简单的方法使用简单的文本扫描。

来源

2008-09-22 23:03:32 ilitirit

在本示例中，“Course Outline.docx”是一个Word 2007文档，其中包含单词“Windows”，并且不包含“random other string”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，你只需打开使用zipfile的DOCX文件（这是一个zip压缩包），并且发现在“字”文件夹中的“document.xml中”文件中的内容。如果你想变得更加复杂，那么你可以使用parse the XML，但是如果你只是在寻找一个短语（你知道它不会是一个标签），那么你可以在XML中查找字符串。

来源

2008-09-22 23:12:59

在元素文本（使用XML解析器）中查找短语可能比您不必担心部分文本是否与元素名称匹配更容易。 – mikemaccana 2009-12-27 12:59:51

您也可以考虑使用该库从OpenXMLDeveloper.org

来源

2008-10-18 19:34:32 billb

的问题与Word文档的XML文件内搜索的文本可以分成在任何字符元素。如果格式不同，它肯定会被拆分，例如，您好：世界。但它可以在任何时候分裂，并在OOXML中有效。所以即使格式不会在短语的中间改变，你最终也会像这样处理XML。

<w:p w:rsidR="00C07F31" w:rsidRDefault="003F6D7A"> 

<w:r w:rsidRPr="003F6D7A"> 

<w:rPr> 

<w:b /> 

</w:rPr> 

<w:t>Hello</w:t> 

</w:r> 

<w:r> 

<w:t xml:space="preserve">World.</w:t> 

</w:r> 

</w:p>

当然你也可以把它加载到一个XML DOM树（不知道这将是在Python），并要求获取文本只是作为一个字符串，但你可以与其他许多“死角”结束了仅仅是因为OOXML规范大约有6000页长，而MS Word可以写很多你不期望的“东西”。所以你最终可以编写自己的文档处理库。可以使用Aspose.Words。

它可作为.NET和Java产品提供。两者都可以从Python中使用。一个通过COM Interop另一个通过JPype。请参阅Aspose.Words程序员指南，在其他编程语言中使用Aspose.Words（抱歉，我无法发布第二个链接，但stackoverflow不允许我）。

来源

2009-11-15 11:01:08 romeok

`OOXML规范大约有6000页长'：你一定是在开玩笑吧：O – claws 2012-12-26 20:00:40

140

阅读完上面的文章后，我制作了一个100％原生Python docx模块来解决这个特定的问题。

# Import the module 
from docx import * 

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

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

的DOCX模块是https://python-docx.readthedocs.org/en/latest/

来源

2009-12-30 12:08:33 mikemaccana

+11

等等...你为这个问题写了一个完整的模块？！ – 11684 2013-02-10 21:34:10

您可以在TXT使用docx2txt得到DOCX中的文本，比搜索

npm install -g docx2txt 
docx2txt input.docx # This will print the text to stdout

来源

2014-12-09 10:51:23 edi9999

如何搜索Word 2007 .docx文件中的单词？

回答

相关问题