在文档的页面上查找单词

Question

我正在寻找一个优雅的解决方案，来查找我存储在python字典/列表中的某个单词出现在文档的哪个页面。

我首先考虑的是。docx格式作为输入，并查看了PythonDocx，它有一个搜索功能，但在docx/xml格式中显然没有真正的页面属性。如果我分析文档，我可以查找

我甚至考虑过先将文件转换成PDF格式，然后使用类似PDFminer的东西对文档进行逐页解析。

有没有什么简单的解决方案可以在. docx文档中搜索字符串并返回它出现的页面，比如

[('foo' ,[1, 4, 7 ]), ('bar', [2]), ('baz', [2, 5, 8, 9 )]




Answer 1

你的问题中最大的挑战似乎是如何逐页解析文档。word文档的答案并不总是相同的，这取决于页边距、纸张设置、打开它的应用程序等。在google group上可以找到一个关于任何脚本准确性的好理由。

然而，如果你能满足于几乎100%的准确性，你开始找到一个解决方案，在这个谷歌小组建议：

我发现我可以解开拉链。docx文件并解压缩docProps/app。xml，然后用ElementTree解析xml以获得

另一种方法是使用win32com。客户端打开文件，分页，进行搜索，然后以所需格式返回结果。

您可以在下面的答案中找到一个语法示例：

from win32com.client import Dispatch
#open Word
word = Dispatch('Word.Application')
word.Visible = False
word = word.Documents.Open(doc_path)

#get number of sheets
word.Repaginate()
num_of_sheets = word.ComputeStatistics(2)

你也可以看看这个答案，关于在word文档中使用win32com.client.查找和替换