API Python miễn phí để trích xuất Văn bản, Bảng và Hình ảnh từ tệp DOCX

Bắt đầu với Docx2Python

Docx2Python được lưu trữ trên PyPI, vì vậy việc cài đặt rất đơn giản. Có thể cài đặt bằng pip sử dụng lệnh sau.

pip install docx2python 

Trích xuất Văn bản cho Tài liệu Word

Thư viện Docx2Python mã nguồn mở giúp các nhà phát triển phần mềm dễ dàng trích xuất văn bản thô từ tài liệu Word trong các ứng dụng Python. Nó phân tích toàn diện mọi yếu tố trong một tệp DOCX. Dù bạn cần trích xuất văn bản thô, các bảng chi tiết hay cấu trúc tinh vi của tiêu đề và chân trang, thư viện này đều xử lý được. Cách tiếp cận phân tích đa cấp của nó đảm bảo rằng ngay cả các yếu tố lồng nhau cũng được ghi lại chính xác trong cấu trúc dữ liệu đầu ra.

from docx2python import docx2python

# Parse a DOCX file with multiple sections and elements
result = docx2python('sample.docx')

# Iterate over the body sections and print each paragraph
for section in result.body:
    for paragraph in section:
        print("Paragraph:", paragraph)

Trích xuất Bảng & Hình ảnh từ tệp Word

Một trong những tính năng mạnh mẽ nhất của Docx2Python là khả năng dễ dàng trích xuất các bảng từ các tệp Word .docx. Thư viện xử lý cả các bảng đơn giản và các bảng lồng nhau, khiến nó trở nên lý tưởng cho việc xử lý các tài liệu phức tạp. Hơn nữa, các nhà phát triển phần mềm có thể sử dụng thư viện để trích xuất hình ảnh được nhúng trong các tệp Microsoft Word .docx, điều này hữu ích cho các ứng dụng yêu cầu xử lý hoặc phân tích hình ảnh.

from docx2python import docx2python

# Extract tables from a Word document
docx_content = docx2python("example.docx")

# Access the extracted tables
tables = docx_content.tables

# Print the tables
for i, table in enumerate(tables):
    print(f"Table {i + 1}:")
    for row in table:
        print(row)
 

Trích xuất Phần cụ thể của Tài liệu bằng Python

Docx2Python cung cấp các tùy chọn để tùy chỉnh định dạng đầu ra, cho phép các nhà phát triển điều chỉnh kết quả sao cho phù hợp với nhu cầu cụ thể của mình. Thư viện Docx2Python mã nguồn mở cung cấp đầy đủ chức năng để trích xuất một phần hoặc một đoạn cụ thể của tài liệu DOCX trong các ứng dụng Python. Các nhà phát triển có thể chọn trích xuất chỉ các phần cụ thể của tài liệu hoặc định dạng đầu ra theo một cách nhất định chỉ bằng một vài dòng mã.

from docx2python import docx2python

# Extract specific sections of a Word document
docx_content = docx2python("example.docx", html=True)

# Access the HTML-formatted output
html_content = docx_content.html

# Print the HTML content
print("HTML Output:", html_content)
 

Bảo tồn Bố cục khi Chuyển đổi DOCX

Việc duy trì bố cục gốc của tài liệu là điều cần thiết, đặc biệt khi mối quan hệ không gian giữa các yếu tố quan trọng. Docx2Python giữ lại bố cục này bằng cách chuyển đổi tài liệu thành một định dạng có cấu trúc phản ánh thiết kế gốc. Điều này giúp dễ dàng chuyển đổi nội dung DOCX sang các định dạng khác như HTML, PDF hoặc Markdown trong khi vẫn bảo tồn giao diện mong muốn.

# Parse a DOCX file while preserving its layout
result = docx2python('layout_document.docx')

# Display the entire structured layout of the document
print("Document Layout:", result.body)