获取docx文件内容，及处理docx内图片(docx、textract)

分别用docx和textract进行处理，docx可以将文档分成文字和图片分别进行处理，而textract直接将文档识别成txt格式。

但是用docx处理可能会出现，文档类型就是.docx，但是报如下错误或者说这个文件是压缩文件（压缩文件这个我试过解压再进行处理，还是会说文档类型的错误）

KeyError: "There is no item named 'docProps/thumbnail.jpeg' in the archive"y

#方式一：用docx处理
#但是针对文字和表格要分开：
#文字是按段落进行遍历的
    document = docx.Document('文件路径')
    for i in range(len(document.paragraphs)):
        paragraph = document.paragraphs[i].text
#表格数据，是按表遍历，然后再按行遍历，之后按每行的每个单元格进行遍历
    document = docx.Document('文件路径')
    row_index = 0
    #表
    for table in document.tables:
        # print(table)
        #表行
        for row_index, rows in enumerate(table.rows):
        #表行每单元
            for cell in rows.cells:
            #获取单元格数据
                cell_text = cell.text
#方式二：textract处理
#将整个docx文档识别成文本
        text_file=textract.process(file_path)
    # text_file格式是bytes的格式,将bytes转换成str，才可进行字符串相关操作
        str_text=str(text_file, encoding='utf-8')

注：两个方法都不能对图片进行识别内容提取

文档内图片部分解决办法：

首先获取图片（通过docx实现），代码如下

doc = docx.Document(conplate_path)  # 打开文件
for rel in doc.part._rels:
       rel = doc.part._rels[rel]  # 获得资源
       if "image" not in rel.target_ref:
                 continue
       imgName = re.findall("/(.*)", rel.target_ref)[0]
       with open(subImgPath + "/" + imgName, "wb") as f:
                 f.write(rel.target_part.blob)

图片处理方法：基于python的图片识别_qq_41110377的博客-CSDN博客