了解docx文件中的书签

本教程将介绍了解docx文件中的书签的处理方法,这篇教程是从别的地方看到的,然后加了一些国外程序员的疑问与解答,希望能对你有所帮助,好了,下面开始学习吧。

了解docx文件中的书签 教程 第1张

问题描述

我正在尝试从Docx文件中提取书签,我编写了一段代码来提取一些Docx文件中的书签,但它在一些docx文件中找不到任何书签。我使用的是python-docx

我基本上是在查找w:bookmarkStart标记并转到其父标记并检索段落中的所有运行。但有些文档既没有w:bookmarkStart,也没有超级链接标签,但DOCX查看器能够识别书签。

以下是段落的XML内容,它是docx查看器中的书签,但不包含任何书签或超链接标记。

注意:我提到的代码适用于使用Google Docs创建的Docx文件。

 from docx.oxml.shared import qn
 from docx import Document

 def get_toc(self):
  doc_element = self.document.part._element
  bookmarks_list = doc_element.findall('.//' + qn('w:bookmarkStart'))
  for bookmark in bookmarks_list:
par = bookmark.getparent()
runs = par.findall(qn('w:r'))
for run in runs:
 try:
  print(' ', run.find(qn('w:t')).text, end=' ')
 except:
  pass
print('
','-'*50)

我是遗漏了什么,还是需要查找其他标记?

如果没有,我怎么在这种情况下识别书签?

推荐答案

在Open XML文档中,书签由一对匹配的w:bookmarkStart和一个w:bookmarkEnd元素定义,其中每个元素都有一个具有相同值的w:id属性。

以下是一个示例段落,其书签仅包含文本"Second",而不包含该段落的全文(例如,"First,Second,and Third")。

<w:p>
  <w:r>
 <w:t xml:space="preserve">First, </w:t>
  </w:r>
  <w:bookmarkStart w:id="1" w:name="MyBookmarkName" />
  <w:r>
 <w:t>second</w:t>
  </w:r>
  <w:bookmarkEnd w:id="1" />
  <w:r>
 <w:t>, and third.</w:t>
  </w:r>
</w:p>

这意味着:

    没有w:bookmarkStartw:bookmarkEnd元素的书签(因此您链接的段落不包含书签)和

    仅仅因为您发现w:bookmarkStart元素而检索w:p的全文是不正确的。

还有更多需要注意的事项:

    一个书签可以跨越多个段落,省略包含w:bookmarkStartw:p的一个或多个前导运行,以及包含w:bookmarkEndw:p的一个或多个尾随运行。

    w:bookmarkStartw:bookmarkEnd甚至可以出现在w:p元素之外,例如,作为w:body的子元素。

好了关于了解docx文件中的书签的教程就到这里就结束了,希望趣模板源码网找到的这篇技术文章能帮助到大家,更多技术教程可以在站内搜索。