Python提取Word图片

Jayce~ 2022-09-28 我要评论

1.思路

在网上查找了半天，基本都是提取word中文字的，没有找到可以把word中的图片提取出来的方法。一个巧合的情况下，发现将word的后缀名改为zip，然后解压该zip，可以看到原来word是这样存储的：

图片就存放在固定的文件夹下：/word/media/；

那么我们就只需要批量的修改文件后缀名，并且解压之后将图片拷贝到需要存放的地方，然后将该文件夹清空留作下次的路径，并且将文件从zip改回docx即可。（注意：doc不支持这个方法，如果需要提取doc格式的图片，可以先转为docx,再提取即可）

2.具体实现

2.1导入相关库

'''
===========================================
  @author:  renjiaxin
  @time:    2018/8/9 0009   10:00
===========================================
'''
 
import zipfile
import os
import shutil

2.2定义函数

为了方便和其他函数调用，直接写了个函数完成这个功能，在这里，我们需要以下四个参数：

word文档的路径
zip压缩文件的路径
临时解压的tmp路径
最后需要保存的store_path路径

def word2pic(path, zip_path, tmp_path, store_path):
    '''
    :param path:源文件
    :param zip_path:docx重命名为zip
    :param tmp_path:中转图片文件夹
    :param store_path:最后保存结果的文件夹（需要手动创建）
    :return:
    '''

2.3重命名word文件，将后缀名docx改为zip

    # 将docx文件重命名为zip文件
    os.rename(path, zip_path)
    # 进行解压
    f = zipfile.ZipFile(zip_path, 'r')
    # 将图片提取并保存
    for file in f.namelist():
        f.extract(file, tmp_path)
    # 释放该zip文件
    f.close()

2.4zip还原为docx文件，并获得图片的列表

    # 将docx文件从zip还原为docx
    os.rename(zip_path, path)
    # 得到缓存文件夹中图片列表
    pic = os.listdir(os.path.join(tmp_path, 'word/media'))

2.5将图片复制到需要保存的文件夹中

并且我们将文件的名字命名为word所在的路径

    # 将图片复制到最终的文件夹中
    for i in pic:
        # 根据word的路径生成图片的名称
        new_name = path.replace('\\', '_')
        new_name = new_name.replace(':', '') + '_' + i
        shutil.copy(os.path.join(tmp_path + '/word/media', i), os.path.join(store_path, new_name))

2.6删除tmp缓冲文件夹中的文件，用以存储下一次的文件

    # 删除缓冲文件夹中的文件，用以存储下一次的文件
    for i in os.listdir(tmp_path):
        # 如果是文件夹则删除
        if os.path.isdir(os.path.join(tmp_path, i)):
            shutil.rmtree(os.path.join(tmp_path, i))

2.7运行程序

if __name__ == '__main__':
    # 源文件
    path = r'E:\dogcat\提取图片\log.docx'
    # docx重命名为zip
    zip_path = r'E:\dogcat\提取图片\log.zip'
    # 中转图片文件夹
    tmp_path = r'E:\dogcat\提取图片\tmp'
    # 最后保存结果的文件夹
    store_path = r'E:\dogcat\提取图片\测试'
    m = word2pic(path, zip_path, tmp_path, store_path)

3效果预览

3.1源word

3.2提取的图片

4附:doc转docx

from win32com import client
import traceback
 
def doc2docx(doc_name, docx_name):
    '''
    # doc转docx
    :param doc_name: doc文档路径
    :param docx_name: docx文档路径
    :return:
    '''
    try:
        # 首先将doc转换成docx
        word = client.Dispatch("Word.Application")
        doc = word.Documents.Open(doc_name)
        # 使用参数16表示将doc转换成docx
        doc.SaveAs(docx_name, 16)
        doc.Close()
        word.Quit()
    except:
        traceback.print_exc()