使用Python从Word中提取XML代码时出现的问题

我试图用Python从Word文档中提取XML代码。以下是我尝试的代码：

def getXml(docxFilename):
    zip = zipfile.ZipFile(open(docxFilename,"rb"))
    xmlString= str(zip.read("word/document.xml"))
    return xmlString

我创建了一个测试文档，并在其上运行函数

getXML

。结果如下：

 b'<?xml version="1.0" encoding="UTF-8" standalone="yes"?>\r\n<w:document xmlns:ve="http://schemas.openxmlformats.org/markup-compatibility/2006" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math" xmlns:v="urn:schemas-microsoft-com:vml" xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing" xmlns:w10="urn:schemas-microsoft-com:office:word" xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:wne="http://schemas.microsoft.com/office/word/2006/wordml"><w:body><w:p w:rsidR="00971B91" w:rsidRPr="00971B91" w:rsidRDefault="00B52719"><w:pPr><w:rPr><w:rFonts w:ascii="Times New Roman" w:hAnsi="Times New Roman" w:cs="Times New Roman"/><w:sz w:val="24"/><w:szCs w:val="24"/></w:rPr></w:pPr><w:r><w:t>Test</w:t></w:r></w:p><w:sectPr w:rsidR="00971B91" w:rsidRPr="00971B91" w:rsidSect="009C4305"><w:pgSz w:w="12240" w:h="15840"/><w:pgMar w:top="1440" w:right="1440" w:bottom="1440" w:left="1440" w:header="708" w:footer="708" w:gutter="0"/><w:cols w:space="708"/><w:docGrid w:linePitch="360"/></w:sectPr></w:body></w:document>'

然后我运行代码

etree.tostring（getXmlTree（getXml（“test.docx”）），pretty\u print=True）

，并收到更合理的XML代码

当我试图创建一个新的Word文档时，问题就出现了。我创建了以下函数来将XML代码转换为Word文档（不知羞耻地从中窃取）：

在尝试创建新的Word文档之前，我想看看是否可以通过将

xmlContent=getXmlTree（getXml（“test.docx”）

替换为上述函数中的参数来创建原始测试文档的副本。但是，当我运行代码时，我收到一条错误消息：

f.write(xmlString)

TypeError: must be str, not bytes

相反，使用

f.write（str（xmlString））

没有帮助；它创建了一个新的word文档，但如果我试图打开它，word将崩溃

---

EDIT2：尝试使用

f.write（xmlString.decode（“utf-8”））

运行上述代码，但没有帮助；Word仍然崩溃。

我猜XML编码不正确。首先，使用

“wb”

作为模式以二进制形式编写文档文件。其次，说明编码是什么，并包含XML声明

with open(os.path.join(tmpDir, "word/document.xml"), "wb") as f:
    xmlBytes = etree.tostring(xmlContent, encoding="UTF-8", xml_declaration=True, pretty_print=True)
    f.write(xmlBytes)

---

那是一根绳子！下一步可能是使用python中的一个来解析它。许多xml解析器尝试查找@dm03514。请查看我文章的编辑。谢谢。我没有遵循你的确切解决方案；相反，我只是将

getXml

中的

xmlString=str（zip.read（“word/document.xml”）

替换为

xmlString=zip.read（“word/document.xml”）.decode（“uft-8”）

，这就成功了。我仍然有一些问题，但是，这是概述；如果你能看一看，我将不胜感激。

f.write(xmlString)

TypeError: must be str, not bytes

with open(os.path.join(tmpDir, "word/document.xml"), "wb") as f:
    xmlBytes = etree.tostring(xmlContent, encoding="UTF-8", xml_declaration=True, pretty_print=True)
    f.write(xmlBytes)