python-docx：提取文本以及标题和子标题编号

问题描述

我有一个word文档，其结构如下：

1. Heading
    1.1. Sub-heading
        (a) Sub-sub-heading

当我使用以下代码将文档加载到docx中时：

import docx

def getText(filename):
    doc = docx.Document(filename)
    fullText = []
    for para in doc.paragraphs:
        fullText.append(para.text)
    return '\n'.join(fullText)
print(getText("a.docx"))

我得到以下输出。

Heading
Sub-heading
Sub-sub-heading

如何将标题/副标题数字与文本一起提取？我尝试过simplify_docx，但仅适用于标准MS Word标题样式，不适用于自定义标题样式。

解决方法

不幸的是，数字不是文本的一部分，而是由Word本身根据标题样式（Heading i）生成的，我并不认为docx公开了获取此数字的任何方法。 / p>

但是，您可以使用para.style来检索样式/级别，然后通读文档以重新计算编号方案。但是，这很麻烦，因为它没有考虑您可能使用的任何自定义样式。在文档的style.xml部分中可能有一种访问编号方案的方法，但我不知道如何。

import docx

level_from_style_name = {f'Heading {i}': i for i in range(10)}

def format_levels(cur_lev):
    levs = [str(l) for l in cur_lev if l != 0]
    return '.'.join(levs)  # Customize your format here

d = docx.Document('my_doc.docx')

current_levels = [0] * 10
full_text = []

for p in d.paragraphs:
    if p.style.name not in level_from_style_name:
        full_text.append(p.text)
    else:
        level = level_from_style_name[p.style.name]
        current_levels[level] += 1
        for l in range(level + 1,10):
            current_levels[l] = 0
        full_text.append(format_levels(current_levels) + ' ' + p.text)

for l in full_text:
    print(l)

哪个

给我

Hello world
1 H1 foo
1.1 H2 bar
1.1.1 H3 baz
Paragraph are really nice !
1.1.2 H3 bibou
Something else
2 H1 foofoo
You got the drill…