如何将doc的内容进行解析提取

在当今的技术领域，文档处理和信息提取是日常工作中的重要组成部分。本文将详细介绍如何使用Python和Spire.Doc for Python工具从Word文档中提取文本内容和图片，并探讨基于LLM的文档提取和分析方法。

引入Spire.Doc for Python

在开始之前，我们需要将Spire.Doc for Python引入到项目中。Spire.Doc for Python是一个强大的库，可以帮助我们直接从Word文档中提取文本内容和图片，而不需要进行复杂的操作。我们可以通过官方网站下载，或者使用pip进行安装。

pip install Spire.Doc

从Word文档中提取文本内容并写入TXT文件

Spire.Doc for Python中的Document.GetText()方法可以获取Word文档中的所有文本并返回字符串，我们可以将返回的字符串写入到文本文件中进行保存。以下是具体的操作步骤和代码示例。

操作步骤

创建Document的对象。
使用Document.LoadFromFile()方法载入Word文档。
使用Document.GetText()方法获取文档中的文本。
将获取的文本写入文本文件。

代码示例

from spire.doc import Document

def WriteAllText(fname:str, text: str):
    with open(fname, "w") as fp:
        fp.write(text)

inputFile = "示例.docx"
outputFile = "获取的文本.txt"
document = Document()
document.LoadFromFile(inputFile)
text = document.GetText()
WriteAllText(outputFile, text)
document.Close()

从Word文档中提取图片并保存

提取图片的操作相对复杂一些，需要判断文档元素子对象是否为图片或复合对象，如果是图片则保存，如果是复合对象则继续判断其中的子对象是否为图片。以下是具体的操作步骤和代码示例。

操作步骤

创建Document的对象。
使用Document.loadFromFile()方法加载Word文档。
创建一个复合对象队列并将文档元素放入其中。
创建一个列表来存储提取的图像。
遍历文档元素，并通过遍历每个节点的子对象来检查是否为复合对象或图片对象。
检查子元素是否为图片对象。如果是，则提取其图像数据并将其添加到提取的图像列表中。
保存图片到文件夹。

代码示例

import queue
from spire.doc import Document
from spire.doc.common import *
import os

outputPath = "Images/"
inputFile = "示例.docx"
if not os.path.exists(outputPath):
    os.makedirs(outputPath)

document = Document()
document.LoadFromFile(inputFile)
nodes = queue.Queue()
nodes.put(document)
images = []

while nodes.qsize() > 0:
    node = nodes.get()
    for i in range(node.ChildObjects.Count):
        child = node.ChildObjects.get_Item(i)
        if child.DocumentObjectType == DocumentObjectType.Picture:
            picture = child
            dataBytes = picture.ImageBytes
            images.append(dataBytes)
        elif isinstance(child, ICompositeObject):
            nodes.put(child)

for i, item in enumerate(images):
    fileName = "Image-{}.png".format(i)
    with open(outputPath+fileName,'wb') as imageFile:
        imageFile.write(item)
document.Close()