从word文档中提取标题的文本

Question

我试图从MS Word文档（.docx文件）中的标题（任何级别）中提取text。目前我正在努力解决使用python-docx，但不幸的是，我仍然无法弄清楚它是否在阅读后可行（也许我错了）。

我试图在网上寻找解决方案，但没有发现任何与我的任务相关的具体内容。如果有人能在这里指导我，那将是非常棒的。

Answer 1

根本挑战是识别标题段落。就读者而言，没有任何东西阻止作者将“正规”段落的格式设置为（并充当）标题。

然而，作者可靠地使用样式创建标题并不罕见，因为这样做可以自动将这些标题编译到目录中。

在这种情况下，您可以迭代段落，并选择其中一种标题样式。

def iter_headings(paragraphs): 
    for paragraph in paragraphs: 
     if paragraph.style.name.startswith('Heading'): 
      yield paragraph 

for heading in iter_headings(document.paragraphs): 
    print heading.text 

标题级别可以从全样式名称解析，如果他们已经把默认设置（如“标题1”，“标题2”，...）。

如果作者已重命名标题样式，则可能需要对其进行调整。

还有更复杂的方法更可靠（只要不依赖风格名称），但那些方法不支持API，所以您需要深入内部代码并与一些风格进行交互XML直接我期望。