Python获取docx文档里的批注

注意：该作者博客已迁移至https://buxianshan.xyz

使用Python-docx库可以很方便的处理docx文件（官方文档）

但是有些隐含的信息Python-docx库好像无法读取，比如docx文档里的批注

下面介绍一种用python获取docx文档批注的方法

首先区分doc文件和docx文件

以前Office产品中Word用.doc文件格式，这种二进制格式很难与其他软件兼容 。docx是Microsoft Office2007之后版本使用的，用新的基于XML的压缩文件格式取代了以前默认文件格式，在传统的文件名扩展名后面添加了字母“x”（即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”）。

docx格式的文件本质上是一个ZIP文件。将一个docx文件的后缀改为ZIP后是可以用解压工具打开或是解压的。事实上，Word2007的基本文件就是ZIP格式的，他可以算作是docx文件的容器。

比如有一个test.docx文件

内容如下（包含两个批注） 把它后缀名改为.zip

解压test.zip

打开解压后的文件，可以看到原docx文件被分成了好多xml文件

原docx文件的信息都包含在这些xml文件中，比如正文包含在word/document.xml中

通过查找发现批注被保存在了word/comments.xml

如此，我们便可以很方便的用python获取批注

首先解压docx文件然后用BeautifulSoup解析word/comments.xml提取批注信息

代码如下：

from zipfile import ZipFile from bs4 import BeautifulSoup document = ZipFile('test.docx') xml = document.read("word/comments.xml") wordObj = BeautifulSoup(xml.decode("utf-8"), features="html.parser") texts = wordObj.findAll("w:t") for text in texts: print(text.text)

输出：

（同理也可以提取其它信息）

参考：

https://blog.csdn.net/qq_20183489/article/details/76736089https://baike.baidu.com/item/docx/6517348?fr=aladdin