python把word docx文档按标题分化成多个新文件

大柚子

由于经常写报告，开始的时候是把报告写一个汇总文档里，后来要按标题一个一个的拆分，特此写了个脚本来拆分

[Python] 纯文本查看 复制代码

?

001 002 003 004 005 006 007 008 009 010 011 012 013 014 015 016 017 018 019 020 021 022 023 024 025 026 027 028 029 030 031 032 033 034 035 036 037 038 039 040 041 042 043 044 045 046 047 048 049 050 051 052 053 054 055 056 057 058 059 060 061 062 063 064 065 066 067 068 069 070 071 072 073 074 075 076 077 078 079 080 081 082 083 084 085 086 087 088 089 090 091 092 093 094 095 096 097 098 099 100 101 102 103 104 105 106 107 108 109 110

import os from docx import Document from docx.shared import Inches from docx.shared import Pt from docx.shared import Cm   #创建一个函数，将文档中所有的图片保存到images文件夹下，图片名以图片的embed属性值命名（即 rId 命名) def extract_and_save_images_from_docx(doc_path):     # 加载文档     doc = Document(doc_path)       # 创建用于存储图片的文件夹     image_folder = 'images'     if not os.path.exists(image_folder):         os.makedirs(image_folder)       # 获取文档中的所有图片     def find_images(document):         images = []         rels = document.part.rels         for rel in rels.values():             if 'image' in rel.reltype:                 image_part = rel.target_part                 embed_id = rel.rId                 images.append((image_part, embed_id))         return images       # 保存图片     image_list = find_images(doc)     for i, (image_part, embed_id) in enumerate(image_list):         image_filename = f'{embed_id}.png'         image_path = os.path.join(image_folder, image_filename)         with open(image_path, 'wb') as f:             f.write(image_part.blob)       print("Images extracted and saved successfully.")       #创建分化文档的函数，新文件名以  标号+标题名命名 ，标号每次匹配到标题自动 +1 def extract_images_from_docx(doc_path):     # 加载文档     doc = Document(doc_path)       # 创建新文档     new_doc = Document()     doc = Document(doc_path)     current_title = None     current_index = 1     new_doc = None       # 创建用于存储文档的文件夹     file_folder = '零散'     if not os.path.exists(file_folder):         os.makedirs(file_folder)           # 遍历段落     for paragraph in doc.paragraphs:         if paragraph.style.name.startswith('Heading'): #判断是否是标题             if new_doc is not None:                 file_name = str(current_index) +current_title + '.docx'                 file_path = os.path.join(file_folder, file_name)                 new_doc.save(file_path)                 #new_doc.save(f'{current_index}{current_title}.docx') # 文件名加上序号和标题名命名，每次遇到新标题序号 +1 （注意：文件名长度可能受到操作系统的限制，导致读取失败，有相关问题修改下标题名）                 current_index += 1             current_title = paragraph.text             new_doc = Document()             new_doc.add_paragraph(paragraph.text, style=paragraph.style.name)         elif new_doc is not None:             new_paragraph = new_doc.add_paragraph(paragraph.text, style='Normal')               # 遍历段落中的运行元素             for run in paragraph.runs:                 # 获取运行元素的XML表示                 run_xml = run._r                 # 检查是否包含图片                 if '<w:drawing>' in run_xml.xml:                     print("found an image1")                     # 解析图片信息                     image_start = run_xml.xml.find('<w:drawing>')                     image_end = run_xml.xml.find('</w:drawing>') + len('</w:drawing>')                     image_xml = run_xml.xml[image_start:image_end]                       # 获取关联标识符                     image_id_start = image_xml.find('r:embed="') + len('r:embed="')                     image_id_end = image_xml.find('"', image_id_start)                     image_id = image_xml[image_id_start:image_id_end]                     #print(image_id)                     image_path = 'images/'+ image_id +'.png'                     print("image_path=" + image_path)                       #根据image_id，将images文件夹的图片复制到新文档中                     new_paragraph.add_run().add_picture(image_path, width=Inches(5))                     if not new_paragraph.runs:  # 如果段落中没有图片，则添加原文本内容                     new_paragraph.text = paragraph.text       # 保存新文档     if new_doc is not None:         file_name = str(current_index) + current_title + '.docx'         file_path = os.path.join(file_folder, file_name)         new_doc.save(file_path)     # 使用示例 extract_and_save_images_from_docx('pp2.docx')#替换你要分化的文档 extract_images_from_docx('pp2.docx')  #替换你要分化的文档

思路：
最开始是打算直接用run._element.tag.endswith('drawing'): 来检测段落中是否包含图片的，可惜一直检测不出来。后来想到文档的xml中图片的embed的值是唯一，故先把原始文档的所有图片先导出一份，启用embed 的值作为图片名；最后通过检测run._r.xml检测run中是否包含<w: drawing>来检测是否有图片，并且提取的其中的embed的值，再将对应图片添加进去。

不足：
正文字体格式都统一为正文格式了，没有加粗之类的效果（主要是因为文档中有些字体格式不标准化，有的是wps的格式，有的是自定义的），大佬们不知道有无更好的办法

羚羋

word 可以直接拆分的呀。标题格式规范的话，在视图-大纲-显示级别选择对应的分级-显示文档-创建-保存就可以了，还能保留其他格式。

coolkid

谢谢分享

Yangxiao112

谢谢分享

UmiSonada

谢谢分享&#128077;&#127995;

catCatBlue

很实用的脚本，感谢分享

rongrong666

学习了 ，谢谢分享

Snowfly011

感谢大佬分享

myandroid

谢谢分享111

qingyu710

谢谢分享

ning0053

谢谢分享