1.将word文档转为html操作,通过bs4中的 BeautifulSoup 提取html中所需要的内容

步骤一:下载bs4 和 pydocx  并且引入

pip install bs4
pip install pydocx
# 读取word中的内容
from pydocx import PyDocX
from bs4 import BeautifulSoup  # 将html转为对象的形式

步骤二:读取word里面的内容,并且解析

html = PyDocX.to_html("C:\\Users\\Administrator\\Desktop\\test.docx")
soup = BeautifulSoup(html, 'html.parser')
"""
demo 表示被解析的html格式的内容
html.parser表示解析用的解析器
"""
soup.prettify()  # 使用prettify()格式化显示输出
# print(soup.prettify())
title_list = soup.select("h2>span[style='text-indent:1.25em']", attrs={"style": "text-indent:1.25em"})
content_list = soup.find_all('span', attrs={
"class": "pydocx-left"})  # 指定属性,查找class属性为title的标签元素,注意因为class是python的关键字,所以这里需要加个下划线'_'
print(len(content_list))

2.读取word里面的内容,以文本的形式,一段一段的读出来,通过样式去获去文档里面的内容

步骤一:下载python-docx,并且引入

pip install python-docx
# 引入
from docx import Document

步骤二:读取word里面的内容

title = ""
content = ""
titleArr = []
document = Document("C:\\Users\\Administrator\\Desktop\\test.docx")
# 获取所有段落
all_paragraphs = document.paragraphs
for paragraph in all_paragraphs:
    if paragraph.style.name == 'Normal':
       content = content + paragraph.text + '\n'
    else:
       obj = {"title": title, "content": content}
        if content != '':
           titleArr.append(obj)
           content = ""
           title = paragraph.text
           # print(obj)