阅读Python中的.docx文件以查找删除线、项目符号和其他格式

在使用Python docx的Python中，有谁能帮助我识别.docx文件中的段落是否包含使用删除线格式的文本（即，它看起来是，但被划掉了），或者在开头有一个项目符号？我试图编写一个脚本来识别文档中的结构并解析内容

到目前为止，我能够阅读一个.docx文件并遍历段落，识别粗体的段落

from docx import Document
document = Document(r'C:\stuff\Document.docx')
for p in document.paragraphs:
    print p.text
    for run in p.runs:
        if run.bold:
            print 'BOLD ' + run.text

---

其余的我暂时想不起来了。

遵循mkrieger1的建议-我建议使用Pandoc将.docx转换为.html并从那里解析文档

---

安装Pandoc与安装python docx是一样的，从.docx到.html的转换在使用Pandoc时非常有效。在.html中，我正在解析的文档结构和所有格式元素都非常清晰，因此易于使用。

使用本机Word DocX解析器，而不是将其转换为html并使用html解析器，根据：

---

对于删除线，您可以这样修改示例：

from docx import Document
document = Document(r'C:\stuff\Document.docx')
for p in document.paragraphs:
    for run in p.runs:
        if run.font.strike:
            print "STRIKE: " + run.text

---

查看该对象的API文档，了解更多有趣的内容。

您应该使用类似的内容。您对发布的代码有什么具体问题吗？我不清楚这是否符合您的要求。具体问题是——如何找到格式为删除线或要点的段落。其他格式也很有用，但这两种格式是最重要的，显然你可以找到粗体的段落。你不能用同样的方法来找到其他类型的格式吗？如果没有，请解释您尝试了什么以及为什么它不起作用。您是否阅读过：

列表项目符号

样式？您希望使用

docx

执行一项相当简单的任务，而docx又是基于

lxml

——使用不同的XML格式（如HTML）不会使任务更简单，但会使任务更间接。您是否已签出

docx

源代码？如果您在过去做过任何XML处理，那么使用它是非常容易的。在上面的Python代码中设置一个断点并查看段落对象结构，我看不出任何明显的方法来确定段落的格式是删除线还是项目符号。一些网站提到.docx格式的复杂性（显然与文件格式中的向后兼容性要求有关），使某些段落格式变得模糊。使用Pandoc可以让我的HTML像白天一样清晰-删除线和项目符号列表都是

• 。也许不单纯优雅，但很务实。我对这个问题投了赞成票，我只是认为这是一个糟糕的答案。您已经为它添加了标签

  python-docx

  ，并给出了一个对使用python-docx的人毫无帮助的答案。公平地说，我将更正这些标签。到目前为止，唯一帮助我远离python docx的答案。我不介意问题是如何解决的，只要解决方案有效。在pandoc中，你也可以编写一个pandoc过滤器来修改那里的ast。。。（而不是修改html）。虽然PythonDocx在这种特定情况下也可以工作……感谢您链接有关字体的文档，这有助于查找PythonDocx中使用的长度子类

  from docx import Document
  document = Document(r'C:\stuff\Document.docx')
  for p in document.paragraphs:
      for run in p.runs:
          if run.font.strike:
              print "STRIKE: " + run.text