使用Python的docx库获取Word文档标题、大纲和编号级别

标题等级、大纲等级、编号等级的区别

在Microsoft Word中：

1、使用docx读取word文档

from docx import Document

source_path = "./test.docx"
docs = docx_Document(source_path)

基本没有一个python库能直接读取doc文档的，所以需要先把doc转化为docx文件，参考：【python】linux系统下doc转docx文件

2、使用docx获取word文档的标题 等级 样式

import re

for paragraph in docs.paragraphs:
    if paragraph and paragraph.text:
        # 获取xml源码
        xml = paragraph._p.xml
        # 进行xml源码字符匹配
        if xml.find('<w:outlineLvl') >= 0:
            start_index = xml.find('<w:outlineLvl')
            end_index = xml.find('>', start_index)
            outlineLvl_value = xml[start_index:end_index+1]
            outlineLvl_value = re.search("\d+", outlineLvl_value).group()
            print(f"文本：{paragraph.text}-->大纲等级：{outlineLvl_value}")

原理：
1、docx.Document()读取文档后会按照文章段落划分成一段一段的。
2、然后我们再获取每个段落的xml源码，即：xml = paragraph._p.xml。
3、源码中的<w:outlineLvl w:val=“2”/>就表示这是个3级大纲（因为是从0开始）。
4、接下来就好办了，就用字符串匹配把这个值提取出来就行了。

3、使用docx获取word文档的编号等级

原理和代码同上，只需要把outlineLvl改成ilvl即可。