该需求是一个真实的实战需求,如果你的公司在做题库类的系统,一定会涉及该方面的内容,所以收藏起来吧。
需求简单描述如下所示:
1.提取 Word(为了便于解决,统一格式为 docx)中的题干/选项图片;
2.将其传递到云 OSS 上,并返回图片地址;
3.部分场景,需要将其拼接为 HTML 的 img 标签进行返回。
实操环节
首先你需要准备好云OSS的 AccessKeyId 和 AccessKeySecret ,这两个值一般由运维工程师提供给你,如果你的公司比较小,没有运维岗位,那就需要自己去申请并进行配置啦。
云 OSS 的购买和设置的流程非常简单,创建一个 Bucket 之后,就可以使用了。
然后点击创建好的 Bucket ,进行权限设置,选择公共读即可。
接下来在 Python 文件中编写如下代码,并测试是否可以返回 Bucket 对象,下述的字符串一定要写准确,任意内容错误都会报错,导致 oss 无法链接。
AccessKeyId = '你的 AccessKeyId' AccessKeySecret = '你的 AccessKeySecret' oos_auth = oss2.Auth(AccessKeyId, AccessKeySecret) endpoint = 'http://oss-cn-beijing.aliyuncs.com' bucket = oss2.Bucket(oos_auth, endpoint, 'Bucket 名称') print(bucket)
上述字符串的值,可以在云 OSS 的概览中找到,如下图所示。
接下来就进入 Word 图片的环节,读取文件依旧使用第三方模块, python-docx 。
在正式开始前,需要准备好一个测试用的 Word 文档,可以参考下图设置 Word 文档的内容。
首先通过 python-docx 读取文档中的所有行 paragraphs ,使用如下代码:
import oss2 import time from docx import Document def get_questions(): document = Document(docx='测试 Word 文档.docx') for p in document.paragraphs: print(p.text) if __name__ == '__main__': get_questions()
上述代码重点为 document.paragraphs ,调用该属性将逐段落返回文档内容,然后再通过对象的 .text 属性,输出里面的文字。
此时的代码无法获取到段落中的图片,可以使用下述代码进行提取。
import oss2 import time from docx import Document # 获取 Word 文档中的图片 def get_picture(document, paragraph): img = paragraph._element.xpath('.//pic:pic') if not img: return img = img[0] embed = img.xpath('.//a:blip/@r:embed')[0] related_part = document.part.related_parts[embed] image = related_part.image return image def get_questions(): document = Document(docx='测试 Word 文档.docx') for p in document.paragraphs: # 读取图片 img = get_picture(document, p) print(img) if img is not None: # 输出图片名 print(img.filename) # 输出图片后缀 print(img.ext) # 输出图片的二进制流 # print(img.blob) print(p.text) if __name__ == '__main__': get_questions()
在上述代码中,最重要的函数为 get_picture() 函数,核心逻辑是由于 docx 文档是一种 xml 结构,通过 paragraph._element.xpath() 方法可以进行数据提取。
读取数据的结果如下所示:
在上文的注释中,还存在一个图片属性 img.blob ,即读取图片的二进制流。
拿该文件流即可写入云 OSS,然后拼接图片的访问路径,最后将其拼接到 img 标签中即可。
import oss2 import time from docx import Document # 获取 Word 文档中的图片 def get_picture(document, paragraph): img = paragraph._element.xpath('.//pic:pic') if not img: return img = img[0] embed = img.xpath('.//a:blip/@r:embed')[0] related_part = document.part.related_parts[embed] image = related_part.image return image def ret_up_imgurl(image): blob = image.blob # 后缀 ext = image.ext AccessKeyId = '你的 AccessKeyId' AccessKeySecret = '你的 AccessKeySecret ' oos_auth = oss2.Auth(AccessKeyId, AccessKeySecret) endpoint = 'http://oss-cn-beijing.aliyuncs.com' bucket = oss2.Bucket(oos_auth, endpoint, 'Bucket 名称') base_file_url = 'https://Bucket 名称.oss-cn-beijing.aliyuncs.com/' # 获取一个文件名 file_name = str(int(time.time())) + "." + ext # 上传二进制流 res = bucket.put_object(file_name, blob) if res.status == 200: # 返回标签 img_format = '<img src="{}" />' return img_format.format(base_file_url + file_name) else: return False def get_questions(): document = Document(docx='测试 Word 文档.docx') for p in document.paragraphs: print(p.text) img = get_picture(document, p) print(img) if img is not None: print(img.filename) print(img.ext) ret_up_imgurl(img.blob) if __name__ == '__main__': get_questions()
上述代码重点部分在 bucket.put_object(file_name, blob) ,该方法将图片二进制流传递到OSS空间。