python提取word文件中的所有图片

针对“python提取word文件中的所有图片”的问题，我给出以下完整攻略：

1. 安装必要的库

首先，需要安装Python库docx2python和Pillow。前者可以将Word文件转化成Python对其的内部表示形式；后者是Python中常用的图像处理库。可以通过pip安装：

pip install docx2python Pillow

2. 加载Word文件

使用docx2python库中的docx2python()函数将Word文件加载为Python内部表示。例如，假设我们要处理的Word文件名为sample.docx，则可以在Python代码中这样写：

from docx2python import docx2python

doc = docx2python('sample.docx')

此时，doc变量就是Python内部表示中的Word文件。

3. 提取图片

对于Word文件中的每一个段落，都可能包含若干个图片。可以遍历所有的段落，将其中包含的图片提取出来。这里介绍两种不同的方法。

3.1 方法一：遍历段落，提取图片

使用Pillow库中的Image类，可以读取和处理多种图像格式，包括Word文档中的图片。因此，可以使用下述代码将段落中的图片提取出来：

from PIL import Image

for para in doc.body:
    for element in para:
        if isinstance(element, dict) and 'image' in element:
            img = Image.open(element['image'])
            # 处理图片

对于每一个段落，将其中的每个元素处理。如果该元素是一个字典，并且其中包含一张图片，就使用Image.open()函数加载该图片。此时，img是一个PIL库中的Image对象。可以进行图像处理，并将结果保存到磁盘上。例如，可以打印图片的大小：

print(f'{img.format}, {img.size}')

3.2 方法二：利用正则表达式匹配图片

一个Word文档中的所有图片，保存在一个名为media的文件夹中。图片的文件名是一个带有后缀的字符串，可以通过正则表达式匹配出来。例如，以下代码可以实现正则表达式的匹配：

import re

for para in doc.body:
    for element in para:
        if isinstance(element, str):
            matches = re.findall(r'<wp:docPr .+?>.+?</wp:docPr>\n.+?<a:blip .+?r:embed="(.+?)".*?/>\n(.+?)</w:pict>', element, re.DOTALL)
            if matches:
                for match in matches:
                    file_id, filename = match
                    # 处理图片

对于每一个段落，将其中的每个元素处理。如果该元素是一个字符串，就使用正则表达式搜索其中的图片信息。<wp:docPr>和<a:blip>是Word中保存图片信息的标签。包含<a:blip>标签的元素，其r:embed属性保存了图片的文件名，其文本内容（在<w:pict>中）保存了图片的二进制数据。因此，可以通过正则表达式匹配出file_id和filename两个变量。

其中，file_id变量是一个字符串，指向doc.media幻灯片中对应图片的文件名。filename变量是图片的文件名，去除文件名中的路径前缀，即可得到图片文件的实际名称。

综上所述，以上两种方法都可以提取Word文件中的所有图片，并进行相应的处理。

示例

下面给出两个对于以上攻略的说明示例。假设我们要提取的Word文档中包含名为image1.png和image2.png的两张图片。

示例一

假设我们只需要提取这些图片并查看其格式和大小，可以使用方法一中的代码：

from PIL import Image

for para in doc.body:
    for element in para:
        if isinstance(element, dict) and 'image' in element:
            img = Image.open(element['image'])
            print(f'{img.format}, {img.size}')

该代码遍历文档中的所有段落，对于含有图片的段落，使用Pillow库的Image.open()方法读取图片。然后，打印出图片的格式（如PNG、JPEG、BMP等）和大小（以像素为单位）。

输出结果类似于：

PNG, (320, 240)
JPEG, (800, 600)

示例二

假设我们需要将所有图片保存到本地文件夹，并将其重命名为1.png和2.png，可以使用方法二中的代码：

import os
import re

if not os.path.exists('images'):
    os.makedirs('images')

for para in doc.body:
    for element in para:
        if isinstance(element, str):
            matches = re.findall(r'<wp:docPr .+?>.+?</wp:docPr>\n.+?<a:blip .+?r:embed="(.+?)".*?/>\n(.+?)</w:pict>', element, re.DOTALL)
            if matches:
                for i, match in enumerate(matches):
                    file_id, filename = match
                    with open(os.path.join('images', f'{i+1}.png'), 'wb') as f:
                        f.write(doc.media[file_id])

该代码遍历文档中的所有段落，对于每一个含有图片的段落，使用正则表达式提取出图片信息。然后，读取doc.media[file_id]中保存的图片二进制数据并保存到本地文件夹images中，并用数字编号重命名图片文件。这里假设图片数量不多，仅需编号为1和2。

执行上述代码后，将得到图片文件1.png和2.png，可以使用任何图像处理工具打开这些图片。