文档信息提取2--python - docx 数据结构

1、python - docx 数据结构

1）一般文档结构

整篇文档是一个Document，将正文分成若干个段落Paragraph(以回车算，一个回车一个段落，表格不算)，每个段落Paragraph再划分为若干个run对象。每个run对象内的文本样式都是一致的，也就是说，在从docx文件生成文档对象时，python-docx会根据样式的变化来将文本切分为一个个的Run对象。

https://www.jianshu.com/p/7d2fcf976914

基于以上的理解，在测试的时候发现了一个问题。在一个word文档中编辑一段文字，比如“Hello world”，然后将“hello”的后两个字母去掉“lo”，再将这两个字母加上，最终的结果还是“Hello world”，格式完全没有变过。按照上面的的理解，这段文字应该是一个Paragraph，一个run。

 from docx import Document
 document1 = Document('C:/Users/huawei/Desktop/1.docx')
 document2 = Document('C:/Users/huawei/Desktop/2.docx')
 ​
 for paragraph in document1.paragraphs:
     for run in paragraph.runs:
         print(run.text)
 for paragraph in document2.paragraphs:
     for run in paragraph.runs:
         print(run.text)

输出结果：

 Hello world
 Hel
 lo
  world

1.docx是改前的，2.docx是改后的。可见改后文档变成了3个run对象。去python-docx的官方文档中看一下run对象的定义。

Proxy object wrapping <w:r> element. Several of the properties on Run take a tri-state value, |True|, |False|, or |None|. |True| and |False| correspond to on and off respectively. |None| indicates the property is not specified directly on the run and its effective value is taken from the style hierarchy.

看到这也没太看明白， <w:r> element 这个又是哪来的。只好再去看一下源码，看具体一个word文档读取进来是如何构建的run对象。发现实际读取文件调用ZipFile.py；读取进来之后是实际一堆的xml文件。疑问1，为什么最终使用ZipFile.py，读取的不是word而是zip压缩文件。疑问2，直接读取进来为什么是一堆的xml文件。

 

 

 

 

 

 

找了一下具体的Hello world 是在 /word/document.xml下面，在这个文件里面文档的分块结构已经构建好了。源码看到这感觉更困惑了。百度查找/word/document.xml相关信息，看看有没有姜document.xml文件时怎么被创建的。

直接给结论，Office 2007之前的版本使用的是二进制格式定义（未公开标准），Office 2007之后文档格式使用 OOXML 国际标准定义，OOXML 的全称是 Office Open XML File Formats 或被称为 OpenXML 格式，这是一个基于 zip+xml 定义的文档格式。说人话就是Office 2007之后后缀为pptx、docx、xlsx的文件实际上是一个ZI包，包中为一堆的xml文件。

直接用WinRAR打开word文档，如下图所示。

 

 

 

 

 

 

 

首先按照官方文档捋一遍word的结构，1、run对象对应xml里面<w:r>标签；2、读取docx文件实际就是读取zip中的一堆xml文件；这两个疑问就解决了。

还有最开始的疑问，文字编辑后即使格式一样为什么还会产生多个run。将之前的两个word文档以WinRAR方式打开对比一下。发现在settings.xml和document.xml里确实不太一样。

 

 

在settings.xml文件中多了一个rsid，文档修改保存一次会产生一个新的ID。

 

 

在document.xml文件中一个w:r变成了3个w:r，且给修改的run分配了一个新的ID，也就是settings.xml文件中新增的rsid。所以python在读取的时候就是3个run对象。

在追问一下，微软为什么这么设计。目前没找到答案初步猜想一下，这种设计类似于记录修改日志，对与改前和改后的文件对比是比较方便的（也是在2007之后版本推出了文件对比功能，当然2003版本之前也是可以对比的只是这种设计会更方便）；除了文档对比之外，文件在线多人编辑也会变得更简单，格式也有单独的xml文件记录；还有ZIP格式也会比原来的文档小得多。

复盘：1、在最初发现问题的时候，应该直接查找word文档解析的解决方案，不应该将问题局限在使用python 解析word文档中，java、c# 等对word文档的解析也是很成熟，可以为后续研究提供帮助。