从Word文档中提取标题文本

Question

我试图text从MS Word文档（.docx文件）的标题（任何级别）中提取。目前，我正在尝试使用python-
docx
进行解决，但是不幸的是，在阅读它之后，我仍然无法弄清它是否可行（也许我弄错了）。

我尝试在线查找解决方案，但没有发现与我的任务相关的任何内容。如果有人可以在这里指导我，那就太好了。

Answer 1

根本的挑战是确定标题段落。对于读者而言，没有什么能阻止作者将“常规”段落格式化为看起来（并充当）标题的方式。

但是，对于作者来说，可靠地使用样式创建标题并不罕见，因为这样做可以将这些标题自动编译到目录中。

在这种情况下，您可以遍历段落，然后选择标题样式之一的段落。

def iter_headings(paragraphs):
    for paragraph in paragraphs:
        if paragraph.style.name.startswith('Heading'):
            yield paragraph

for heading in iter_headings(document.paragraphs):
    print heading.text

如果标题级别保留默认值（例如“标题1”，“标题2”等），则可以从样式的完整名称中进行解析。

如果作者重命名了标题样式，则可能需要对此进行调整。

有更复杂的方法更可靠（就样式名称而言是独立的），但是这些方法不支持API，因此您需要深入研究内部代码并直接与我期望的某些样式XML进行交互。