从 Microsoft Word 文档中提取内容控件（Content Controls）可以通过使用 `python-docx` 库实现。`python-docx` 是一个用于创建和更新 `.docx` 文件的流行库，它支持对文档结构进行深度访问，包括内容控件。 ### 使用 `python-docx` 提取内容控件 以下是一个示例代码片段，展示如何从 Word 文档中提取内容控件： ```python from docx import Document from docx.oxml.ns import qn def extract_content_controls(docx_path): document = Document(docx_path) content_controls = [] for element in document.element.iter(): if element.tag == qn('w:sdt'): # w:sdt 是内容控件的 XML 标签 # 提取内容控件的内部文本 text = ''.join(node.text for node in element.findall('.//w:t', namespaces=element.nsmap)) content_controls.append(text) return content_controls # 示例调用 docx_file_path = 'example.docx' controls = extract_content_controls(docx_file_path) for idx, control in enumerate(controls): print(f"Content Control {idx + 1}: {control}") ``` ### 代码说明 - **`Document` 类**：用于加载 `.docx` 文件并访问其内容。 - **XML 标签 `w:sdt`**：这是 Word 文档中内容控件的 XML 标签。通过遍历文档的 XML 元素，可以找到所有内容控件。 - **提取文本**：在每个内容控件中，查找 `w:t` 标签以提取其内部的文本内容。 ### 注意事项 1. **依赖库**：确保已安装 `python-docx` 库。可以通过以下命令安装： ```bash pip install python-docx ``` 2. **文件格式**：此代码仅适用于 `.docx` 文件格式。对于 `.doc` 或其他格式的文档，需要使用其他工具（如 `pywin32` 或 `textract`）进行处理。 ### 替代方案 如果需要处理 `.doc` 文件或更复杂的文档结构，可以考虑以下工具： - **`pywin32`**：适用于 Windows 平台，通过 COM 接口与 Microsoft Office 交互。 - **`textract`**：一个通用文本提取库，支持多种文件格式，包括 `.doc`、`.pdf` 和 `.pptx`。 ---