在 Python 中读取 Word 文档（`.docx` 格式）并识别其中表格中的图片，可以使用 `python-docx` 库来解析文档内容，并结合 `io` 和 `PIL`（Pillow）库处理图片数据。`python-docx` 本身不直接提供提取图片的功能，但可以通过访问文档的内部结构来提取嵌入的图片对象。 ### 读取 Word 文档中的表格图片 Word 文档中的图片通常以二进制形式嵌入，并与特定的 XML 元素相关联。对于表格中的图片，可以通过遍历表格单元格中的 `inline_shapes` 或 `drawing` 元素进行提取。 以下是一个示例代码，展示如何遍历 Word 表格并识别其中的图片： ```python from docx import Document from docx.shared import Inches import os def extract_images_from_table(doc_path, output_folder): doc = Document(doc_path) image_count = 0 for table in doc.tables: for row in table.rows: for cell in row.cells: for paragraph in cell.paragraphs: for run in paragraph.runs: if 'pic:pic' in run._element.xml: # 提取图片 image_part = run._element.xpath('.//a:blip/@r:embed')[0] image_part = doc.part.related_parts[image_part] image_bytes = image_part.blob image_ext = image_part.filename.split('.')[-1] image_filename = f"image_{image_count}.{image_ext}" image_path = os.path.join(output_folder, image_filename) with open(image_path, 'wb') as img_file: img_file.write(image_bytes) image_count += 1 print(f"共提取 {image_count} 张图片。") ``` ### 处理图片数据 提取出的图片数据为二进制格式，可以保存为文件或进一步处理。如果需要对图片进行识别（如 OCR），可以结合 `Pillow` 和 `pytesseract` 库实现： ```python from PIL import Image import pytesseract def ocr_image(image_path): image = Image.open(image_path) text = pytesseract.image_to_string(image) return text ``` ### 注意事项 - `python-docx` 不支持 `.doc` 格式，仅支持 `.docx`。 - 提取图片时需确保文档中图片未被压缩或链接引用，否则可能无法提取完整数据。 - 提取的图片格式可能包括 `png`、`jpeg` 等，需根据实际文件进行处理。 ---