web-dev-qa-db-fra.com

Existe-t-il un moyen de lire le fichier .docx, y compris la numérotation automatique à l'aide de python-docx

Enoncé du problème: extraire les sections du fichier .docx, y compris la numérotation automatique. 

J'ai essayé python-docx pour extraire le texte d'un fichier .docx mais cela exclut la numérotation automatique. 

from docx import Document

document = Document("wadali.docx")


def iter_items(paragraphs):
    for paragraph in document.paragraphs:
        if paragraph.style.name.startswith('Agt'):
            yield paragraph
        if paragraph.style.name.startswith('TOC'):
            yield paragraph
        if paragraph.style.name.startswith('Heading'):
            yield paragraph
        if paragraph.style.name.startswith('Title'):
            yield paragraph
        if paragraph.style.name.startswith('Heading'):
            yield paragraph
        if paragraph.style.name.startswith('Table Normal'):
            yield paragraph
        if paragraph.style.name.startswith('List'):
            yield paragraph


for item in iter_items(document.paragraphs):
    print item.text
pythondocxpython-docx
14
wadali

Il semble qu'actuellement python-docx v0.8 ne supporte pas complètement la numérotation. Vous devez faire du piratage.

Premièrement, pour la démo, pour itérer les paragraphes du document, vous devez écrire votre propre itérateur . Voici quelque chose de fonctionnel:

import docx.document
import docx.oxml.table
import docx.oxml.text.paragraph
import docx.table
import docx.text.paragraph


def iter_paragraphs(parent, recursive=True):
    """
    Yield each paragraph and table child within *parent*, in document order.
    Each returned value is an instance of Paragraph. *parent*
    would most commonly be a reference to a main Document object, but
    also works for a _Cell object, which itself can contain paragraphs and tables.
    """
    if isinstance(parent, docx.document.Document):
        parent_Elm = parent.element.body
    Elif isinstance(parent, docx.table._Cell):
        parent_Elm = parent._tc
    else:
        raise TypeError(repr(type(parent)))

    for child in parent_Elm.iterchildren():
        if isinstance(child, docx.oxml.text.paragraph.CT_P):
            yield docx.text.paragraph.Paragraph(child, parent)
        Elif isinstance(child, docx.oxml.table.CT_Tbl):
            if recursive:
                table = docx.table.Table(child, parent)
                for row in table.rows:
                    for cell in row.cells:
                        for child_paragraph in iter_paragraphs(cell):
                            yield child_paragraph

Vous pouvez l'utiliser pour rechercher tous les paragraphes de document, y compris les paragraphes dans les cellules d'un tableau.

Par exemple:

import docx

document = docx.Document("sample.docx")
for paragraph in iter_paragraphs(document):
    print(paragraph.text)

Pour accéder à la propriété de numérotation, vous devez effectuer une recherche dans le paragraph._p.pPr.numPr des membres "protégés", qui est un objet docx.oxml.numbering.CT_NumPr:

for paragraph in iter_paragraphs(document):
    num_pr = paragraph._p.pPr.numPr
    if num_pr is not None:
        print(num_pr)  # type: docx.oxml.numbering.CT_NumPr

Notez que cet objet est extrait du fichier numbering.xml (à l'intérieur du docx), s'il existe. 

Pour y accéder, vous devez lire votre fichier docx comme un paquet. Par exemple:

import docx.package
import docx.parts.document
import docx.parts.numbering

package = docx.package.Package.open("sample.docx")

main_document_part = package.main_document_part
assert isinstance(main_document_part, docx.parts.document.DocumentPart)

numbering_part = main_document_part.numbering_part
assert isinstance(numbering_part, docx.parts.numbering.NumberingPart)

ct_numbering = numbering_part._element
print(ct_numbering)  # CT_Numbering
for num in ct_numbering.num_lst:
    print(num)  # CT_Num
    print(num.abstractNumId)  # CT_DecimalNumber

Les informations Mor sont disponibles dans la documentation Office Open XMl .

1
Laurent LAPORTE