14-从.docx文档中取得完整的文本

15.3.2　从.docx文档中取得完整的文本

如果你只关心Word文档中的文本，不关心样式信息，那么可以利用 getText() 函数。它接收一个.docx文档名，并返回其中文本的字符串。打开一个新的文件编辑器窗口，输入以下代码，并将其保存为readDocx.py：

#! python3
import docx
def getText(filename):
    doc = docx.Document(filename) 
    fullText  =  []
    for para in doc.paragraphs:
        fullText.append(para.text)
    return '\n'.join(fullText)

getText() 函数打开了Word文档，循环遍历 paragraphs 列表中的所有 Paragraph 对象，然后将它们的文本添加到 fullText 列表中。循环结束后， fullText 中的字符串连接在一起，中间以换行符分隔。

readDocx.py程序可以像其他模块一样导入。现在如果你只需要Word文档中的文本，就可以输入以下代码：

>>> import readDocx
>>> print(readDocx.getText('demo.docx'))
Document Title
A plain paragraph with some bold and some italic
Heading,  level  1
Intense quote
first item in unordered list
first item in ordered list

也可以调整 getText() ，在返回字符串之前进行修改。例如，要让每一段缩进，就将文件中的 append() 调用替换为：

fullText.append(' ' + para.text)

要在段落之间增加空行，就将 join() 调用代码改成：

return '\n\n'.join(fullText)

可以看到，只需要几行代码就可以写出函数，读取.docx文档，并根据需要返回它的内容字符串。