परिचय
पायथन का Word दस्तावेज़ (.docx) के लिए समर्थन सीमित है। python-docx लाइब्रेरी दस्तावेज़ बनाने और बुनियादी मेटाडेटा पढ़ने की अनुमति देती है, लेकिन पूरी सामग्री निकालने के लिए कस्टम कोड चाहिए क्योंकि .docx वास्तव में एक ZIP संग्रह है जिसमें XML फाइलें होती हैं।
दूरस्थ Word दस्तावेज़ पढ़ना (XML निकालना)
from zipfile import ZipFile
from urllib.request import urlopen
from io import BytesIO
file_url = 'https://file-examples-com.github.io/uploads/2017/02/file-sample_100kB.docx'
# Word दस्तावेज़ को बाइनरी के रूप में पढ़ें
wordDocx = urlopen(file_url).read()
wordDocx = BytesIO(wordDocx)
# ZIP के रूप में खोलें
document = ZipFile(wordDocx)
# XML सामग्री निकालें
xml_content = document.read('word/document.xml')
print(xml_content.decode('utf-8'))
आउटपुट: कच्चा XML जिसमें <w:t> टैग में टेक्स्ट होता है।
XML से टेक्स्ट निकालना (सरल दृष्टिकोण)
import xml.etree.ElementTree as ET
# नेमस्पेस संभालें
ns = {'w': 'https://schemas.openxmlformats.org/wordprocessingml/2006/main'}
root = ET.fromstring(xml_content)
# सभी w:t तत्व ढूंढें
text_elements = root.findall('.//w:t', ns)
full_text = ''.join(elem.text or '' for elem in text_elements)
print(full_text)
python-docx लाइब्रेरी का उपयोग (आसान)
import docx
doc = docx.Document('sample.docx')
for para in doc.paragraphs:
print(para.text)
# टेबल्स के लिए
for table in doc.tables:
for row in table.rows:
cells = [cell.text for cell in row.cells]
print(cells)
नोट
python-docxटेक्स्ट, पैराग्राफ, टेबल्स पढ़ सकता है लेकिन जटिल फॉर्मेटिंग, इमेज, चार्ट्स के लिए सीमित समर्थन है।- पूर्ण XML पार्सिंग अधिक नियंत्रण देती है लेकिन जटिल है।
- बड़े दस्तावेज़ों के लिए,
docx2txtयाmammothलाइब्रेरी आज़माएं।