使用Python高效读取Word文档中的图片

引言

Word文档常包含图片、图表等多媒体元素。在批量处理或数据分析时,可能需要将这些图片提取出来以供进一步使用。Python凭借其丰富的第三方库,能够轻松实现这一功能。本文将重点介绍使用python-docx库从Word(.docx)文件中提取图片的方法。

环境准备

首先确保已安装python-docx库:

pip install python-docx

该库主要处理现代的.docx格式(Office Open XML)。对于旧版.doc文件,需先转换为.docx或使用其他库(如win32com或textract)。

基本原理

.docx文件实际上是一个ZIP压缩包,内部包含XML文件及嵌入的二进制资源。图片通常存储在word/media文件夹中。使用python-docx可以遍历文档中的InlineShape或Picture对象,并提取其二进制数据。

代码实现

以下是一个完整的示例,演示如何遍历文档中的所有图片并保存为文件:

import os
from docx import Document
from docx.opc.constants import RELATIONSHIP_TYPE as RT

# 加载文档
doc = Document('example.docx')

# 创建一个目录存放图片
img_dir = 'extracted_images'
os.makedirs(img_dir, exist_ok=True)

# 遍历文档中的每个段落
for i, para in enumerate(doc.paragraphs):
    for run in para.runs:
        # 检查run是否是图片
        if run.element.xml contains 'w:drawing':
            # 更可靠的方式是检查run的_inline属性
            # 实际上run对象没有直接提供图片访问,需通过底层XML
            pass

# 更简单的方式:直接通过Document的part访问所有图片
from docx.opc.part import Part

# 获取所有图片部件
image_parts = []
for rel in doc.part.rels.values():
    if "image" in rel.reltype:
        image_parts.append(rel.target_part)

# 保存图片
for idx, part in enumerate(image_parts):
    ext = os.path.splitext(part.partname)[1]
    filename = f"image_{idx}{ext}"
    with open(os.path.join(img_dir, filename), 'wb') as f:
        f.write(part.blob)

print(f"提取了 {len(image_parts)} 张图片,保存在 {img_dir} 文件夹内。")

代码详细说明

  • 加载文档:Document('example.docx')。
  • 获取图片部件:每个Word文档的part对象都有rels(关系),包含所有链接资源(如图片)。通过遍历rels,筛选出reltype中包含image的关系,即可获得图片部件。
  • 保存图片:每个图片部件都有自己的partname(路径)和blob(二进制数据)。通过part.blob可直接获取原始字节,并写入文件。
  • 格式处理:通常图片扩展名可从partname中提取(如/word/media/image1.png)。

注意事项

  • 此方法仅提取文档中直接嵌入的图片,不包括链接的外部图片。
  • 如果文档包含多个段落的图片,上述方法会提取所有图片,但无法区分图片所在的段落位置。若需关联位置,需进一步解析XML。
  • 对于加密或受保护的文档,需要先解密或解除保护。
  • 处理大量文档时,注意内存和文件I/O效率。

进阶技巧

如果你需要提取图片并保持其在文档中的顺序,可以遍历文档的paragraphs和tables,找出所有InlineShape对象。但python-docx的API对图片支持有限,需直接操作底层XML。以下是一个高级示例:

from docx import Document
from docx.oxml.ns import qn
import os

doc = Document('example.docx')
img_dir = 'images_by_location'
os.makedirs(img_dir, exist_ok=True)

img_counter = 0
for para in doc.paragraphs:
    # 获取段落内所有元素
    drawings = para._element.findall('.//'+qn('w:drawing'))
    for drawing in drawings:
        # 找到图片关系ID
        blip = drawing.find('.//'+qn('a:blip'))
        if blip is not None:
            rId = blip.get(qn('r:embed'))
            if rId:
                # 根据rId获取图片部件
                rel = doc.part.rels[rId]
                img_part = rel.target_part
                ext = os.path.splitext(img_part.partname)[1]
                filename = f"img_{img_counter}{ext}"
                with open(os.path.join(img_dir, filename), 'wb') as f:
                    f.write(img_part.blob)
                img_counter += 1

print(f"按位置提取了 {img_counter} 张图片。")

总结

通过python-docx库,我们可以方便地从Word文档中提取所有图片。基本方法利用文档部件的关系,简单高效;进阶方法则可定位到具体段落,保留图片上下文。结合Python的自动化能力,可以集成到批量处理脚本中,大大提高办公效率。