刚毕业的小菜鸡,第一次写文章,如果有写的不好的地方请谅解。
目录
1.word文档分析
2.python-docx获取word中的自动编号
3.尚未解决的问题
1.word文档分析
word文档是一种压缩包,将后缀名改为zip之后,"word"文件夹里有一个document.xml和numbering.xml,一个放word文档中的文本,一个放word文档中的自动编号。
每一个段落都有一个numbId和ilvl
再来看numbering.xml文件,这个文件出去开头的引用东西,文件中部列举了不同的abstractNumId对应的编号的类型,文件的最下部写了numId和abstractNumId的对应关系。
numId和ilvl,每个numId对应一个abstractNumId,每个abstractNumId对应一组格式,这个格式是个序列通过ilvl的值作为索引。document.xml文件中需要的标签的作用:
<w:ilvl w:val="0"/>: 用来确定是同个abstractNumId的不同格式
<w:numId w:val="1"/>:每个numId对应一个abstractNumId,一种自动编号用两次就会生成两个numId,两个abstracNumId。如一、......二、......,此时这两段标题的numId是一样的。如一、......一、......,此时这两段的numId是不同的,相应的会对应两个不同的abstractNumId。不带自动编号的段落的numId为0,且没有对应的abstractNumId
numbering.xml文件中的需要的标签的作用:
<w:abstractNum w:abstractNumId="17">:对应一组格式
<w:lvl w:ilvl="0" w:tentative="0">:对应这一组格式中的一种格式
<w:start w:val="1"/>:表示这种格式从几开始,如为1时,一、,为二时,二、。这个值只是表示这种格式时从几开始自动编号,不是表示编号的顺序。
<w:numFmt w:val="decimal"/>:表示这种格式是什么类型的
<w:lvlText w:val="%1、"/>:表示这种格式的样式。
简单叙述一下word怎么实现自动编号的,带编号的段落在document.xml生成一个numId和ilvl,每个numId对应一个abstractNumId,每个abstractNumId有一组格式序列,每个ilvl对应改组格式序列的一种格式。每个格式有start确定起始编号,numFmt确定格式类型,lvlText确定格式样式。通过numFmt和lvlText的组合确定自动编号的最终的样式。
2.python-docx获取word中的自动编号
了解word的文件构成之后,利用python-docx获取上述的信息。
安装命令: pip install python-docx
from docx import Document
d = Document('标题.docx')
for p in d.paragraphs: # 获取每个段落
# 获取numId
print('numId', p._element.pPr.numPr.numId.val, end=' ')
# 获取ilvl的值,注意纯文本段落没有ilvl,其ilvl是None
try:
print('ilvl', p._element.pPr.numPr.ilvl.val, end=' ')
except AttributeError:
print('ilvl', p._element.pPr.numPr.ilvl, end=' ')
# 获取每个段落的文本信息
print('text', p.text)
# 获取numbering.xml文件中的信息
ct_numbering = d.part.numbering_part._element
numXML = d.part.numbering_part.numbering_definitions._numbering
for num in ct_numbering.num_lst:
# 获取numId和abstractNmuId的对应关系
print('numId:', num.numId, end=' ')
print('abstractId:', num.abstractNumId.val)
for i in numXML.abstractNum_lst:
# 获取每个abstractNumId里面的每个ilvl里的lvlText,numFmt,start
for j in i.lvl_lst:
print('lvlText:', j.lvlText_lst[0].val, end=' ')
print('start:', j.start_lst[0].val, end=' ')
print('numFmt:', j.numFmt_lst[0].val)
word内容
代码运行结果:
3.尚未解决的问题
(1)、单级编号的顺序没办法直接确定
同一个标号的不同顺序的numId相同,ilvl值相同。如一、......二、......,其中段落一、......和段落二、......的numId和ilvl值相同,意味着abstractNumId、start、numFmt、lvlText都相同。所以如何解决标号的顺序,目前我没有发现可以直接获取到顺序的方法。
但是可以通过计算相同numId的出现次数来确定顺序。
(2)、多级编号的顺序没办法直接确定,计数的也行不通
“1.,1.1,1.2,2.,2.1,2.2”这类的多级编号,这几个段落的numId全部相同,其中1.,2.的ilvl值相同,1.1,1.2,2.1,2.2的ilvl值相同。
对于这两个问题请能够解决的大佬给予指导。