本文正在参加「金石计划 . 瓜分6万现金大奖」
一、使用场景：有什么用处？
我在从事教育信息化的工作中，常常会用到word的解析。
有人会疑惑，咱们都是用word修正文字，你却去解析它。你今日必须解释一下，解析……是什么意思？
解析便是解剖并剖析。解析word，便是提取word里边的结构和内容。
举个比方，不管是考驾照，仍是考资格证，咱们都有过在设备上做题的阅历。
这些标题，你之所以能在前端看到，其实是有人在后端一条条录入的。就像你提交个人信息报备那样。
上面的这种方式的录入，在咱们职业，是会被骂的！
尽管你觉得，这并没有什么不妥。
由于关于试卷，录入员拿到的是这样的原稿。
一套试卷有几十道题，一道题又有十来个特点，这么算来，一套题得填上百个框框（请用重庆话读：框框儿）。
其实，程序员完全能够经过技术手段，自己去读出word的内容。
理论上，word里展现的一切内容，程序员都能拿到。拿到数据之后，家境差点的公司，经过代码逻辑去找试卷名、选项这类特点。家境好点儿的企业，经过人工智能的NLP文本分类（我便是这么干的），能够更好地完成智能分类。
横竖，两种途径都能完成。
而此刻，录入员只负责修正word就能够了。这个过程就叫做“word导入”。
能导入的条件，是能够解析出来word的内容。能解析word的条件，便是docx格局。
二、docx格局：为什么出现？
不知道您各位有没有印象，从某个时期开端，微软工作文件名的小尾巴多了一个“x”。本来word、PowerPoint还有excel，后缀名分别是doc、ppt、xls。后来，就忽然出现出了docx、pptx、xlsx。
到目前为止，这些x们占有了干流商场。
为什么？为什么要这样？我仿佛听到Office宗族在抱着扫帚悲伤地唱：你伤害了Word，还Excel而过，你Access的贪婪，我PowerPoint……
本来的doc格局是加密的，只要微软自己家的软件才干翻开。
后来微软觉得，这样并没有让自己很神圣，反而限制了自己的开展。
比方，金山WPS也是搞工作软件的，它的开展很快，积累了许多用户。不少人开端用wps了，word的用户面对被瓜分。于是，微软就基于Office Open XML规范，把文档宗族做了兼容。
由于新规范是选用的xml格局记录信息的，所以就在.doc后边加了个x。新规范之后，即使是微软创立的文档，WPS也能翻开。这样，用户只关怀文档就行，不必在意用哪个软件，这就完成了用户同享。
横竖，是这个意思，我猜的，别全信……
三、文件结构：怎么来解析？
那么，docx格局究竟是什么姿态的呢？
它看起来是个文件，其实，它是个紧缩包。
下面便是一个docx文档，是我亲手修正的。
我再亲自做一下解紧缩：将.docx改为.zip，右键挑选解压文件，它就露出原形了。
上图演示了解紧缩，并翻开了word/media文件夹，这是文档里出现的图片。剖析发现，在docx中同一张图复制多次，media里边只保留一张原图。这阐明，它是个勤俭节约的好孩子。承载同样多的内容，docx格局比doc的体积要小。
正如咱们看到，解压后它是有目录结构的。
放心，我不会挨个把文件都给你介绍一遍。由于，那并没有什么用。即使有用，你也记不住。即使你记得住，我也说不明白……为什么要学习那么全面的常识呢？汉字总计10万多个，常用字只要2500个，够用了。
我说几个比较要害的点。
3.1 主文件 document.xml
坐落word下的document.xml文件，是docx的主战场。能够说，文档中你能看到的一切内容，在这儿都有直接或许间接的记录。
document.xml是一个XML格局的文档。
咱们来翻开它，咱们先只翻开一级。
为了你能看下去，我对数据做了处理，保证你只能看到要害信息。
<w:document>
<w:body>
<w:p>...</w:p>
<w:p>...</w:p>
<w:tbl>...</w:tbl>
<w:p>...</w:p>
...
<w:sectPr>...</w:sectPr>
</w:body>
</w:document>
咱们看到，body体里，只要3种标签，分别是<w:p>、<w:tbl>和<w:sectPr>。
一个docx文档，根本由这三种成分组成。w指的是word，p指的是paragraph阶段，tbl表明table表格。sectPr全称是section primp，这个千万别记，简略打乱思路。
清空你的大脑，docx文档里就两种大类，一种叫<w:p>阶段，另一种叫<w:tbl>表格。
3.2 阶段标签 w:p
在docx中，阶段是最常见的，是文档中最主要的组成单元。
和你了解的阶段相同。不换行就归于一个阶段。即使是“咔咔咔”敲上6个回车，虽然没有内容，那它也归于6个阶段，在xml中是6个<w:p></w:p>。
别的，包含图片、流程图、公式等元素的内容，也是包含在阶段中的。换句话说，它们都是小弟。
咱们能用代码取到阶段的信息吗？当然能！（这自问自答，被怀疑是凑字数）
咱们用哪类编程语言都能够做到，由于仅仅便是读取XML文件。
可是关于教学而言，用python无疑是最佳的挑选。
# 导入解析xml的库
import xml.dom.minidom as xdom
# 加载文档
xp = xdom.parse('word/document.xml')
# 获取文档根节点
root=xp.documentElement
# 获取body节点们
bodys = root.getElementsByTagName("w:body")
# 由于getElements回来多个目标，咱们只要一个
body = bodys[0]
# 循环遍历body下的节点
for i,ele in enumerate(body.childNodes):
e_name = ele.nodeName
# 打印{序号} -> {节点称号} is {目标}
print(i,"->",e_name,"is",ele)
咱们看一下打印成果，它和源文档完全对应，一个都没有少。
下面该详细说一下w:p的小弟们了。
3.3 文本标签 w:t
在纷杂的xml文件中，能够扒拉出来一个叫<w:t>标签。
<w:p>
<w:r>
<w:t>word的doc格局本来是不开源的，后来改成了docx格局后，是开源的。</w:t>
……
</w:r>
……
</w:p>
这儿边存储的内容，便是word里边的文字，t便是text的简称。
你在docx里边看到的每一个字，根本上都是被<w:t>和</w:r>所包裹的。
也便是说，假如咱们拿出一切<w:t>标签内的文本，咱们就做到了纯文本docx的解析。
代码，其实很简略，便是在<w:p>元素中，扫描<w:t>的标签并取出其内容。
上面咱们现已拿到了body标签，所以从那里继续。
# 循环body下的大单元 w:p阶段，w:tbl表格
for i,ele in enumerate(body.childNodes):
# 找到包含w:t的标签,可能是多个
wts = ele.getElementsByTagName("w:t")
ele_text = "" # 记录大单元内一切文本
for wt in wts: # 循环
ele_text = ele_text + wt.text
print(ele_text) # 打印输出
看看代码对应的作用。
祝贺你，你现已学会了解析docx的文本了。
是的，提取一个docx的文本，便是这么简略。你现在就能够写一个程序，能够做到把docx转为txt。
可是……有一点我要告诉你，运转代码里的wt.text可能会报错，为了便于你了解，我特意写了伪代码。实际上，要从<w:t>中取出文本内容，能够像下面这样：
import re # 导入正则库
# 构建一个正则，去除<>标签
pattern_del_tag = re.compile(r'<[^>]+>',re.S)
# 把<w:t>元素转为xml格局<w:t>xxx</w:t>，然后去标签
t_text = pattern_del_tag.sub('', wt.toxml())
我以为这么讲，你反而能了解。由于，不必在了解什么叫<w:t>的时分，还要分散注意力到正则表达式。
3.4 接连块 w:r
上面咱们讲了怎么去解析文字。可是，那太简略了。
文字是有款式的。
都在同一段w:p内的文字，它们的款式，可能不相同。
比方前两个字是红色，那么这两个字款式相同。可是，后两个字是绿色，和前面又不相同。
为了处理这个问题，docx把具有相同款式的文字，用<w:r>标签包裹。
r代表run。关于这个run的解释，许多国内文档都直接翻译为“运转”。
其实，run在英文中有许多解释。我觉得在这儿更适合它的释义应该是：“一段”、“一系列”、“接连演出”。因此，我个人给这个标签起名叫：接连块。表明在这个标签之内的文本，是一个系列的，他们的特点是接连不间断的。
代码仍然是处理xml文件的那一套，不是找标签便是拿特点。
还有其他的款式标签，你能够自己研讨。我这儿先抛砖引玉，举两个比方。
比方上面比方中的字体颜色，一般在<w:rPr>标签内。w仍然表明word，r表明run，Pr表明Primp，是润饰、装修的意思。<w:rPr>这个标签的释义便是：接连块的款式阐明。相似的还有<w:pPr>，表明对阶段paragraph的款式阐明。<w:tcPr>，表明对表格单元格table cell的款式阐明。
咱们来看一下，接连块润饰<w:rPr>是怎么界说的。
比方关于粗体、斜体的阐明。
用代码进行判别，主要是tag的读取。能找到tag，就阐明有此种款式的符号。
w_i = w_rPr.getElementsByTagName("w:i")
if w_i:
print("是斜体")
w_b = w_rPr.getElementsByTagName("w:b")
if w_i:
print("是粗体")
再比方关于各种线条的阐明。
上面的比方，假如用代码进行判别的话，除了对 tag存在的判别，还需要获取特点值w:val，表明用了哪一类详细的款式。
w_u = w_rPr.getElementsByTagName("w:u")
if w_u:
# 获取特点值用 getAttribute
line_value = w_u[0].getAttribute("w:val")
if line_value == "single":
print("是下划线")
if line_value == "double":
print("是双划线")
if line_value == "wave":
print("是波浪形线")
if line_value == "dotted":
print("是虚线")
我能够很负责任地说，只要是文档中出现的信息，在xml文件中都能够找到对应的标示。
我能够“吧啦吧啦”全告诉你，可是会影响你看其他的内容。有兴趣你能够去查资料，都是手册类型的资料，很方便。
我倒是觉得，你自己在word中符号一下，然后解紧缩观察xml文件的改变，这姿态学的更牢。横竖我便是这么学来的。
以下是我用html把一个word文档做了恢复。
这是docx原文档：
这是解析docx文档后出现的html页面：
咱们能够看到，包含字号、字体、字色、标线都能够恢复。
只剩下两个重要的内容没有说了。那便是图片和表格。
3.5 图像标签 w:drawing
docx中的图片是怎么从xml中提取出来的呢？
你在接连块<w:r>中会发现有一个<w:drawing>标签。这儿边主要存放的，便是图像相关的信息。
图片仅仅是<w:drawing>中的一个小分类。除了图片，还有图表、形状、流程图等。
今日，咱们说个最简略的，那便是怎么提取图片。
图片的标签是<pic:pic>，他在xml中如下界说：
<w:drawing>
<pic:pic>
<pic:blipFill>
<a:blip r:embed="rId9"/>
</pic:blipFill>
</pic:pic>
</w:drawing>
其中，图片文件就藏在<a:blip r:embed="rId9"/>中，里边的rId9便是捕获图片的头绪。
还记不记得解紧缩时，那个media文件夹，里边有好多图片。
是有图片，但这也不是rId9呀？
别急，有个文件专门做关联这件事情。它便是解紧缩之后的word/_rels/document.xml.rels文件。
翻开这个文件：
<?xml version="1.0" encoding="UTF-8" standalone="true"?>
<Relationships>
……
<Relationship Target="media/image1.png" Id="rId9"/>
<Relationship Target="media/image3.png" Id="rId11"/>
<Relationship Target="media/image2.GIF" Id="rId10"/>
</Relationships>
哈哈，这儿有档案，记录了哪个id指向哪个文件。于是，咱们解析这个文件，就能够拿到对应关系。
然后，遇到pic中id等于rId9的，就把media/image1.png这个图片文件展现出来。
这，就完成了图片的解析。
能够鼓掌了！
3.6 表格标签 w:tbl
表格标签<w:tbl>的位置很重，它和阶段标签<w:p>平级。
剖析整个文档的顶层组成元素，咱们不难发现，除了<w:tbl>便是<w:p>。
一开端，我不了解。为什么图表、流程图那么杂乱的元素，却不配得到表格那么高的位置。天理何在？
后来，我解析到一个表格后发现。我，如同低估了<w:tbl>大佬的位置。
假如，你看到上面的图没有笑喷。那阐明，你可能没有看懂本文。或许是我的笑点出了问题。
单纯表格的结构，其实不杂乱。可是，表格里每一个单元格，却能够容纳另一个word文档。表格里边，图片、图表、文本款式，乃至表格里再来一个表格，什么都能够添加，它乃至是包含了<w:p>大佬。<w:tbl>和<w:p>并列，它反而是冤枉的。
咱们来看一下表格<w:tbl>的根本结构。
<w:tbl>
<w:tblGrid>
<w:gridCol/>
<w:gridCol/>
</w:tblGrid>
<w:tr>
<w:tc><w:p>...</w:p></w:tc>
<w:tc>...</w:tc>
</w:tr>
<w:tr>
...
</w:tr>
</w:tbl>
节点元素中，主要有两部分内容，一个<w:tblGrid>介绍表格列的个数。另一个是<w:tr>包含表格行的信息。 tr是table row的缩写。
其中，<w:tr>里边有<w:tc>，这儿边是格子的内容。咱们发现其内容，居然是一个它的兄弟节点<w:p>。在此，给表格大佬深深地鞠上一躬。
tc是table cell的缩写，表明单元格的意思。有人可能会说，tc是table column的缩写，表明表格的列。当我后边论说带有兼并单元格的表格时，从结构上看，咱们会感觉table cell更适合语境。
先说根本表格的解析，如下图所示：
解析的代码参阅如下：
w_table = body.childNodes[0] # 拿到表格节点
# 获取一切的行
w_trs = w_table.getElementsByTagName("w:tr")
rows_text = [] # 存放行的文本
for r_index, tr in enumerate(w_trs):
# 获取一切的单元格
cells = tr.getElementsByTagName("w:tc")
cells_text = [] # 存放单元格的文本
for c_index, cell in enumerate(cells):
# 获取一切的文本
wts = cell.getElementsByTagName("w:t")
for wt in wts: # 把文本拼接
cells_text.append(wt.text)
rows_text.append(cells_text)
print(rows_text) # 打印成果，二维数组[[r1c1,r1c2],[r2c1,r2c2]]
运转一下代码，成果如下：
这儿边我又挖坑了，除了前面讲w:t时的wt.text陷阱之外。w:tc的内容应该是去解析完好的w:p结构，而这儿我只取了w:t文本。这样最简略。由于，咱们是要了解表格的结构。因此，其他的能够假装看不见。
可是，也由此可见，做好表格解析的条件，是做好阶段解析。由于表格单元格里是阶段。
我信任，有了表格的解析成果（二维数组），你很简略就能够把它还原成表格页面用于展现。只需要循环就好，第一层循环行，第二层循环列。
我仍是用1分钟写一下代码吧：
rows_text = [['称号', '后缀名'], ['Word', 'docx']]
table_html = ["<table>"]
for row in rows_text:
table_html.append("<tr>")
for cell in row:
table_html.append("<td>"+cell+"</td>")
table_html.append("</tr>")
table_html.append("</table>")
table_html = "".join(table_html)
print(table_html)
# <table>
# <tr><td>称号</td><td>后缀名</td></tr>
# <tr><td>Word</td><td>docx</td></tr>
# </table>
据我所知，国际上的表格除了上面那种简略的，还有一些略微杂乱的。那便是带有兼并单元格的表格。
比方下面这种：
这类表格的解析略微杂乱一些，它们归于杂乱里边最简略的。
咱们来看看他们的xml数据是怎么界说的。
首要看带有跨行的表格的比方。
关于跨行的情况，咱们发现表格的xml数据，该有的行和列，数量都没有变。仅仅在要兼并的单元格上符号了一个<w:vMerge>标签。
这个标签表明有跨行的单元格。v表明vertical，是竖直方向的意思。vMerge表明竖直兼并。这个标签里边还有特点值w:val，当值为restart时表明此单元格开端出现兼并，continue表明此单元格没有结束，继续保持，直到遇到非continue情况。
再来看看跨列的情况。
跨列由于产生在行内，是行内矛盾，不影响其他行。所以，咱们看到只要在第1行的第1格中，选用<w:gridSpan>标签，阐明本行有跨列的单元格。val值是2，表明跨2个单位。
为什么我前面说，tc是table cell的缩写。我的根据就在这儿。其实这个表格的结构是2行2列。假如c指的是column的话，它应该有2个<w:tc>，后一个复用前一个。可是，咱们看上图里的结构，它只要一个<w:tc>。那咱们称号它叫单元格更贴切，由于它只要一个框。你能够辩驳我，我会立马说，你说的对，但今后仍然称号它单元格。
带有兼并单元格的页面还原，逻辑略微杂乱。可是底层仍是和普通表格相同，经过循环行和列。你只需要遇到兼并的时分，搞一个colspan=2或许rowspan=3就行。
此处，我不再给我们贴代码了。原理现已讲得很透彻了，算是留一个作业。你能够自己思考一下，会有更多的收成。
唉呀，仍是给我们一个小提示吧，仅供参阅。由于我搞兼并单元格时，花费了2天时间才完成。我把一个要害点提供给我们：关于杂乱表格，最终的数据结构用一维数组更恰当。这个结构能够像这样[{"x_start":0, "x_end":1, "y_start":0, "y_end":0, "content":"不要问我"}]。
假如你看完了，2个小时还搞不定。那请您不要来问我，问我也是回复一个狗头表情。
四、其他妙用：藏初恋相片？
首要声明，这招我没用过啊。我仅仅论说它的可行性。
我的许多读者都成婚了，没成婚也有女朋友了，他们还都怕老婆。
可是，谁没有热血芳华呢？
有人就想存着初恋相片，夜深人静的时分看一看。可是，又怕被现任发现。
怎么办？手机相册不安全！文件加暗码或许修正后缀名归于屈打成招。
那么，你千万不要放到docx中。它只不过是个紧缩包。解紧缩之后，加点文件进去，改回来仍是正常的文档。看不出来有任何问题，经得起组织检测和查看。
我有这么个文档，很洁白的一个文档。
解紧缩之后，里边包含有图片，乃至pdf都有。
唉，程序员的思想境地便是这么的朴实无华又低级趣味。要是被销售员看到，他们该引发商业战了。
我是ITF男孩，在是TF男孩，但你……带你从IT视角看国际。
