python提取word文件中的图片并上传阿里云OSS
时间：2022-03-21 09:29:02 | 栏目：Python代码 | 点击：次
该需求是一个真实的实战需求，如果你的公司在做题库类的系统，一定会涉及该方面的内容，所以收藏起来吧。
需求简单描述如下所示：
1.提取 Word（为了便于解决，统一格式为 docx）中的题干/选项图片；
2.将其传递到云 OSS 上，并返回图片地址；
3.部分场景，需要将其拼接为 HTML 的 img 标签进行返回。
实操环节
首先你需要准备好云OSS的 AccessKeyId 和 AccessKeySecret ，这两个值一般由运维工程师提供给你，如果你的公司比较小，没有运维岗位，那就需要自己去申请并进行配置啦。
云 OSS 的购买和设置的流程非常简单，创建一个 Bucket 之后，就可以使用了。
然后点击创建好的 Bucket ，进行权限设置，选择公共读即可。
接下来在 Python 文件中编写如下代码，并测试是否可以返回 Bucket 对象，下述的字符串一定要写准确，任意内容错误都会报错，导致 oss 无法链接。
AccessKeyId = '你的 AccessKeyId' AccessKeySecret = '你的 AccessKeySecret' oos_auth = oss2.Auth(AccessKeyId, AccessKeySecret) endpoint = 'http://oss-cn-beijing.aliyuncs.com' bucket = oss2.Bucket(oos_auth, endpoint, 'Bucket 名称') print(bucket)
上述字符串的值，可以在云 OSS 的概览中找到，如下图所示。
接下来就进入 Word 图片的环节，读取文件依旧使用第三方模块， python-docx 。
在正式开始前，需要准备好一个测试用的 Word 文档，可以参考下图设置 Word 文档的内容。
首先通过 python-docx 读取文档中的所有行 paragraphs ，使用如下代码：
import oss2
import time
from docx import Document
def get_questions():
document = Document(docx='测试 Word 文档.docx')
for p in document.paragraphs:
print(p.text)
if __name__ == '__main__':
get_questions()
上述代码重点为 document.paragraphs ，调用该属性将逐段落返回文档内容，然后再通过对象的 .text 属性，输出里面的文字。
此时的代码无法获取到段落中的图片，可以使用下述代码进行提取。
import oss2
import time
from docx import Document
# 获取 Word 文档中的图片
def get_picture(document, paragraph):
img = paragraph._element.xpath('.//pic:pic')
if not img:
return
img = img[0]
embed = img.xpath('.//a:blip/@r:embed')[0]
related_part = document.part.related_parts[embed]
image = related_part.image
return image
def get_questions():
document = Document(docx='测试 Word 文档.docx')
for p in document.paragraphs:
# 读取图片
img = get_picture(document, p)
print(img)
if img is not None:
# 输出图片名
print(img.filename)
# 输出图片后缀
print(img.ext)
# 输出图片的二进制流
# print(img.blob)
print(p.text)
if __name__ == '__main__':
get_questions()
在上述代码中，最重要的函数为 get_picture() 函数，核心逻辑是由于 docx 文档是一种 xml 结构，通过 paragraph._element.xpath() 方法可以进行数据提取。
读取数据的结果如下所示：
在上文的注释中，还存在一个图片属性 img.blob ，即读取图片的二进制流。
拿该文件流即可写入云 OSS，然后拼接图片的访问路径，最后将其拼接到 img 标签中即可。
import oss2
import time
from docx import Document
# 获取 Word 文档中的图片
def get_picture(document, paragraph):
img = paragraph._element.xpath('.//pic:pic')
if not img:
return
img = img[0]
embed = img.xpath('.//a:blip/@r:embed')[0]
related_part = document.part.related_parts[embed]
image = related_part.image
return image
def ret_up_imgurl(image):
blob = image.blob
# 后缀
ext = image.ext
AccessKeyId = '你的 AccessKeyId'
AccessKeySecret = '你的 AccessKeySecret '
oos_auth = oss2.Auth(AccessKeyId, AccessKeySecret)
endpoint = 'http://oss-cn-beijing.aliyuncs.com'
bucket = oss2.Bucket(oos_auth, endpoint, 'Bucket 名称')
base_file_url = 'https://Bucket 名称.oss-cn-beijing.aliyuncs.com/'
# 获取一个文件名
file_name = str(int(time.time())) + "." + ext
# 上传二进制流
res = bucket.put_object(file_name, blob)
if res.status == 200:
# 返回标签
img_format = '<img src="{}" />'
return img_format.format(base_file_url + file_name)
else:
return False
def get_questions():
document = Document(docx='测试 Word 文档.docx')
for p in document.paragraphs:
print(p.text)
img = get_picture(document, p)
print(img)
if img is not None:
print(img.filename)
print(img.ext)
ret_up_imgurl(img.blob)
if __name__ == '__main__':
get_questions()
上述代码重点部分在 bucket.put_object(file_name, blob) ，该方法将图片二进制流传递到OSS空间。