我想在Word 2007文件(.docx)中搜索文本字符串，例如可以从Word中的搜索中找到的"某些特殊短语"。

Python有没有办法查看文本？我对格式化没有兴趣，我只想将文档归类为具有或者不具有"某些特殊短语"。

解决方案

docx只是一个zip存档，其中包含许多文件。也许我们可以查看这些文件的某些内容？除此之外，我们可能还必须找到一个能够理解单词格式的库，以便过滤掉我们不感兴趣的内容。

第二种选择是与单词互操作并通过单词进行搜索。

docx文件本质上是一个内部带有xml的zip文件。
xml包含格式，但也包含文本。

我们应该能够使用MSWord ActiveX界面提取要搜索的文本(或者可能进行搜索)。我不知道我们如何从Python访问ActiveX。

更确切地说，.docx文档是OpenXML格式的Zip存档：我们必须首先解压缩它。
我下载了一个示例(Google：一些搜索词文件类型：docx)，解压缩后找到了一些文件夹。 word文件夹在文件document.xml中包含文档本身。

OLE自动化可能是最简单的。我们必须考虑格式，因为XML中的文本可能如下所示：

<b>Looking <i>for</i> this <u>phrase</u>

使用简单的文本扫描找不到简单的方法。

在此的示例" Course Outline.docx"是一个Word 2007文档，它确实包含单词" Windows"，并且不包含短语" random other string"。

>>> import zipfile
>>> z = zipfile.ZipFile("Course Outline.docx")
>>> "Windows" in z.read("word/document.xml")
True
>>> "random other string" in z.read("word/document.xml")
False
>>> z.close()

基本上，我们只是使用zipfile打开docx文件(这是一个zip存档)，然后在" word"文件夹中的" document.xml"文件中找到内容。如果我们想变得更复杂，则可以解析XML，但是如果我们只是在寻找短语(我们知道不会是标签)，则可以在XML中查找字符串。

我们也可以考虑使用OpenXMLDeveloper.org中的库

在Word文档XML文件中进行搜索时遇到的一个问题是，文本可以分为任意字符的元素。如果格式不同(例如在Hello World中)，则肯定会将其拆分。但是它可以随时拆分，并且在OOXML中是有效的。因此，即使格式化在短语中间没有变化，我们也将最终像这样处理XML！

<w:p w:rsidR="00C07F31" w:rsidRDefault="003F6D7A">

<w:r w:rsidRPr="003F6D7A">

<w:rPr>

<w:b /> 

</w:rPr>

<w:t>Hello</w:t> 

</w:r>

<w:r>

<w:t xml:space="preserve">World.</w:t> 

</w:r>

</w:p>

当然，我们可以将其加载到XML DOM树中(不确定在Python中会是什么)，并要求仅以字符串形式获取文本，但是由于OOXML规范存在，我们可能会遇到许多其他"死胡同"的情况长达6000页，MS Word可以编写许多我们不期望的"内容"。因此，我们最终可能会编写自己的文档处理库。

或者，我们可以尝试使用Aspose.Words。

它可以作为.NET和Java产品获得。两者都可以在Python中使用。一个通过COM Interop，另一个通过JPype。请参阅《 Aspose.Words程序员指南》，《使用其他编程语言中的Aspose.Words》(抱歉，我无法发布第二个链接，stackoverflow还不允许我这样做)。

在阅读完我们上面的文章之后，我制作了100％本机Python docx模块来解决此特定问题。

# Import the module
from docx import *

# Open the .docx file
document = opendocx('A document.docx')

# Search returns true if found    
search(document,'your search string')

docx模块位于https://python-docx.readthedocs.org/en/latest/