world转Json

我有两个docx文档分别存放Qustion和Solution，我想将其转换为

 

这样的json格式

Question文件:

Solution文件:

我在网上找了一会儿没有找到相关的软件资料，但想到了由于docx本质是xml和资源文件形成的文档，所以想着自己开发实现一下。

 

由于又有图片又有文字，所以这里面最主要需要实现的就是如何将文本和图片路径进行拼接，若只有图片文件倒也好办，可以直接通过查找对应段落下的'r:embed'即可找到所有图片，但文档中还有wmf格式的图片，试用'r:embed'无法查找到，我找了半天也没找到有什么办法可以直接提取wmf文件，最后只有返璞归真。

我们到document.xml.rels中找到wmf文件对应资源的id，（其中document.xml.rels在./directory_name/word/_rels下）

以id为rId406d的为例，我们到document.xml中搜索该id

可以发现他存在于r:id中，那么我们就可以通过元素查找找到对应id再去_rels中找到对应Target路径。

 

具体实现：

import os
from zipfile import ZipFile
from xml.etree import ElementTree as ET

def get_rel(rid):
    # rel_tree = ET.parse('./ACT_Maths_Mock Paper1_Questions/word/_rels/document.xml.rels')
    rel_tree = ET.parse('./ACT_Maths_Mock Paper1_Solutions - 副本/word/_rels/document.xml.rels')
    rel_root = rel_tree.getroot()
    namespace = {'ns': 'http://schemas.openxmlformats.org/package/2006/relationships'}
    relationship = rel_root.find(f".//ns:Relationship[@Id='{rid}']", namespaces=namespace)

    # 如果找到对应的 Relationship 元素，则获取 Target 属性的值
    if relationship is not None:
        target_value = relationship.attrib.get('Target')
    return target_value
def read_text_and_media_from_xml(output_folder):
    # 解压文件

    # 解析文本和媒体资源
    xml_path = os.path.join(output_folder, 'word/document.xml')
    media_dir = os.path.join(output_folder, 'word/media/')

    tree = ET.parse(xml_path)
    root = tree.getroot()

    content = []
    # 处理文本内容
    #遍历p下面的元素
    for paragraph in root.findall('.//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}p'):
        texts = []
        for r_element in paragraph.findall('.//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}r'):
            for elem in r_element.iter():
                eles = elem.findall('.//{http://schemas.openxmlformats.org/wordprocessingml/2006/main}t')
                for ele in eles:
                    texts.append(ele.text)
                for key, value in elem.attrib.items():
                    if key.endswith('}embed'):
                        embed_id = elem.attrib.get(
                            '{http://schemas.openxmlformats.org/officeDocument/2006/relationships}embed')
                        target_value = get_rel(embed_id)
                        texts.append(target_value)
                    if key.endswith('}id'):
                        target_value = get_rel(value)
                        #其中还包含bin文件，我们要过滤wmf文件
                        if "wmf" in target_value:
                            texts.append(target_value)
        text_content = ''.join(texts)
        content.append(text_content)

    return '\n\n'.join(content)

extracted_folder = './world' #转为.zip再解压后的文件夹路径

# 读取文本内容和媒体资源的示例
document_content = read_text_and_media_from_xml(extracted_folder)
print("文档内容及媒体资源信息：")
print(document_content)
with open('./ts2.txt','w',encoding='utf-8') as f:
    f.write(document_content)

根据以上流程对document.xml进行解析，理论上我们可以获得docx中的任意数据并任意操作任意组合。发文记录一下思路想法。