python读取word文档 | AI应用开发

RAG中python读取word文档

RAG系统中构建知识库流程中重要的一个步骤是读取外挂的知识文档，为word是其中比较常见的文件。

另一个值得注意的是，RAG在读取文档后需要对文档进行分割，而良好的分割需要有一定结构上支持，比如标题，段落，表格以及图片信息等。

因此，本次分享针对这些结构信息来分别读取word文档，希望对你有帮助。

利用python-docx库解析word文档

在Python中读取Word文件（.docx格式），并提取其中的标题、段落、表格、图片等内容，可以使用python-docx库。这个库提供了丰富的接口来操作Word文档。不过，需要注意的是，python-docx库目前主要支持文本、表格和图片的读取，对于Word中的样式（如标题样式）的识别，需要基于文本格式或自定义逻辑来推断。

安装python-docx

首先，你需要安装python-docx库。可以通过pip安装：

pip install python-docx

读取Word文档

以下是一个基本的示例，展示如何使用python-docx来读取Word文档中的文本、表格和图片。

读取文本和段落

from docx import Document

def read_docx(file_path):
    doc = Document(file_path)
    for para in doc.paragraphs:
        print(para.text)

# 使用示例
file_path = 'your_word_file.docx'
read_docx(file_path)

识别标题

由于python-docx不直接识别Word中的标题样式（如“标题1”、“标题2”等），你需要根据文本的样式或特定的格式来推断。以下是一个简单的示例，假设标题使用了特定的字体大小或加粗：

from docx.shared import Pt

def read_titles(file_path):
    doc = Document(file_path)
    for para in doc.paragraphs:
        if para.runs[0].font.size == Pt(24) and para.runs[0].bold:  # 假设标题字体大小为24且加粗
            print("Title:", para.text)
        else:
            print(para.text)

# 使用示例
file_path = 'your_word_file.docx'
read_titles(file_path)

注意：这个示例非常基础，实际应用中标题的识别可能需要更复杂的逻辑。

读取表格

def read_tables(file_path):
    doc = Document(file_path)
    for table in doc.tables:
        for row in table.rows:
            for cell in row.cells:
                print(cell.text, end=' | ')
            print()  # 换行

# 使用示例
file_path = 'your_word_file.docx'
read_tables(file_path)

读取图片

from docx.shared import Inches

def read_images(file_path):
    doc = Document(file_path)
    for relation in doc.part.rels.values():
        if "image" in relation.target_ref:
            print(relation.target_ref)  # 图片的URI

# 注意：这只会给出图片的URI，不会直接加载图片。
# 若要加载图片，你可能需要额外的库（如Pillow）来根据URI下载或加载图片。

# 使用示例
file_path = 'your_word_file.docx'
read_images(file_path)

注意：python-docx库对于图片的读取相对有限，它主要提供了图片的URI，而不是直接加载图片。如果你需要处理图片，可能需要结合其他库（如Pillow）来实现。

总结

python-docx库为Python提供了操作Word文档的强大功能，但需要注意的是，它并不直接识别Word中的样式（如标题样式），需要开发者根据具体情况编写逻辑来推断。此外，对于图片的读取，它主要提供图片的URI，而不直接加载图片。