105 lines
3.4 KiB
Python
Executable File
105 lines
3.4 KiB
Python
Executable File
#!/usr/bin/env python3
|
|
"""
|
|
doc2txt - 将 Word 文档（.docx）转换为纯文本的工具
|
|
"""
|
|
|
|
import argparse
|
|
import sys
|
|
import os
|
|
|
|
from docx import Document
|
|
|
|
|
|
def extract_text(input_path, enable_tables=False, verbose=False):
|
|
"""
|
|
从 docx 文件中提取文本内容。
|
|
|
|
Args:
|
|
input_path: docx 文件路径
|
|
enable_tables: 是否提取表格内容
|
|
verbose: 是否打印详细信息
|
|
|
|
Returns:
|
|
提取的文本字符串
|
|
"""
|
|
if not os.path.exists(input_path):
|
|
print(f"错误：文件不存在 - {input_path}", file=sys.stderr)
|
|
sys.exit(1)
|
|
|
|
if not input_path.endswith('.docx'):
|
|
print(f"警告：文件不是 .docx 格式 - {input_path}", file=sys.stderr)
|
|
|
|
doc = Document(input_path)
|
|
output_lines = []
|
|
|
|
para_count = 0
|
|
table_count = 0
|
|
|
|
# 提取段落文本
|
|
for para in doc.paragraphs:
|
|
text = para.text.strip()
|
|
if text:
|
|
output_lines.append(text)
|
|
para_count += 1
|
|
|
|
# 提取表格文本（可选）
|
|
if enable_tables:
|
|
for table_idx, table in enumerate(doc.tables):
|
|
table_count += 1
|
|
if output_lines:
|
|
output_lines.append("") # 空行分隔
|
|
output_lines.append(f"--- 表格 {table_idx + 1} ---")
|
|
for row in table.rows:
|
|
row_text = " | ".join(cell.text.strip() for cell in row.cells)
|
|
output_lines.append(row_text)
|
|
|
|
if verbose:
|
|
print(f"[信息] 共处理 {len(doc.paragraphs)} 个段落", file=sys.stderr)
|
|
print(f"[信息] 提取非空段落 {para_count} 个", file=sys.stderr)
|
|
print(f"[信息] 共处理 {len(doc.tables)} 个表格", file=sys.stderr)
|
|
if enable_tables:
|
|
print(f"[信息] 提取表格 {table_count} 个", file=sys.stderr)
|
|
|
|
return "\n".join(output_lines)
|
|
|
|
|
|
def main():
|
|
parser = argparse.ArgumentParser(
|
|
description="将 Word 文档（.docx）转换为纯文本",
|
|
epilog="""
|
|
参数说明:
|
|
-i, --input 输入的 .docx 文件路径（必填）
|
|
-o, --output 输出 .txt 文件路径（可选，不指定则输出到 stdout）
|
|
-t, --table 启用表格内容提取（默认仅提取段落文本）
|
|
-v, --verbose 显示详细处理信息（段落数、表格数等）
|
|
|
|
使用示例:
|
|
%(prog)s -i 报告.docx -o 报告.txt
|
|
%(prog)s -i 报告.docx # 输出到终端
|
|
%(prog)s -i 报告.docx -t # 同时提取表格
|
|
%(prog)s -i 报告.docx -o 报告.txt -t -v # 完整模式
|
|
""",
|
|
formatter_class=argparse.RawDescriptionHelpFormatter
|
|
)
|
|
|
|
parser.add_argument("-i", "--input", required=True, help="输入的 .docx 文件路径")
|
|
parser.add_argument("-o", "--output", help="输出的 .txt 文件路径（可选，不指定则输出到 stdout）")
|
|
parser.add_argument("-t", "--table", action="store_true", help="启用表格内容提取")
|
|
parser.add_argument("-v", "--verbose", action="store_true", help="显示详细处理信息")
|
|
|
|
args = parser.parse_args()
|
|
|
|
text = extract_text(args.input, enable_tables=args.table, verbose=args.verbose)
|
|
|
|
if args.output:
|
|
with open(args.output, "w", encoding="utf-8") as f:
|
|
f.write(text)
|
|
if args.verbose:
|
|
print(f"[信息] 已写入文件：{args.output}", file=sys.stderr)
|
|
else:
|
|
print(text)
|
|
|
|
|
|
if __name__ == "__main__":
|
|
main()
|