Python 如何有效地从docx/xml中删除表并提取文本

删除表后，我无法从.docx中提取文本。 我正在处理的docx文件包含很多表，我希望在提取文本之前将这些表去掉。 我首先使用docx2html将docx文件转换为html，然后使用BeautifulSoup删除表标记并提取文本

from docx2html import convert
from bs4 import BeautifulSoup
...
temp = convert(FileToConvert)
soup = BeautifulSoup(temp)
for i in range(0,len(soup('table'))):
    soup.table.decompose()
Text = soup.get_text()

---

虽然此过程可以工作并生成所需的内容，但docx2html.convert（）存在一些效率问题。由于.docx文件位于infact.xml文件中，是否可以跳过将docx转换为html的过程，并在删除表后从xml中提取文本。

docx文件不仅仅是xml文件，而是一个文件，因此您无法将docx文件直接传递给BeautifulSoup。虽然格式看起来很简单，但它可能就是您想要解析的xml文件。您可以使用Python的zipfile模块提取此文件，并将其内容直接传递给BeautfulSoup：

import sys
import zipfile

from bs4 import BeautifulSoup

with zipfile.ZipFile(sys.argv[1], 'r') as zfp:
    with zfp.open('word/document.xml') as fp:
        soup = BeautifulSoup(fp.read(), 'xml')

print soup

---

但是，您可能还想看看，它可能已经做了很多您想要的事情。我没有试过，所以我不能保证它适合您的特定用例。

docx文件不仅仅是xml文件，而是一个文档，因此您无法将docx文件直接传递给BeautifulSoup。虽然格式看起来很简单，但它可能就是您想要解析的xml文件。您可以使用Python的zipfile模块提取此文件，并将其内容直接传递给BeautfulSoup：

import sys
import zipfile

from bs4 import BeautifulSoup

with zipfile.ZipFile(sys.argv[1], 'r') as zfp:
    with zfp.open('word/document.xml') as fp:
        soup = BeautifulSoup(fp.read(), 'xml')

print soup

---

但是，您可能还想看看，它可能已经做了很多您想要的事情。我还没有尝试过它，所以我不能保证它适合您的特定用例。

关于python docx，您是对的。它负责从.docx文件中提取文本。将docx传递给python docx后，将生成一个lxml.etree.Element，可以使用lxml解析器对其进行操作。它负责从.docx文件中提取文本。将docx传递给python docx后，将生成一个lxml.etree.Element，可以使用lxml解析器对其进行操作。