python如何提取word图片

Python提取Word图片的主要方法有：使用python-docx库、利用第三方库如PyMuPDF、通过解压Word文件、借助Automation工具。其中，使用python-docx库是最常见和简便的方法，通过解析Word文档的结构，可以直接提取图片。此外，使用PyMuPDF等第三方库也能实现类似功能，不过需要对Word文档进行格式转换。接下来，我将详细介绍这几种方法。

一、使用python-docx库

python-docx是一个专门用于处理Word文档的Python库，支持对Word文档的读写操作。虽然python-docx库本身并不直接支持图片的提取，但可以通过解析文档结构，提取图片的二进制数据。

安装和基本使用

在使用python-docx之前，需要先安装它。可以通过pip命令进行安装：

pip install python-docx

安装完成后，可以通过以下代码来加载Word文档：

from docx import Document
加载文档
doc = Document('example.docx')

提取图片

虽然python-docx库不能直接提取图片，但我们可以通过文档的XML结构来获取图片信息。Word文档实际上是一个ZIP文件，解压后可以看到图片文件存储在“word/media”目录下。

我们可以使用Python的zipfile模块来解压Word文件，并提取图片：

import zipfile
import os
def extract_images_from_docx(docx_path, output_dir):
    # 确保输出目录存在
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)
    # 打开docx文件作为zip文件
    with zipfile.ZipFile(docx_path, 'r') as z:
        # 遍历所有文件
        for file in z.namelist():
            # 检查文件是否为图像
            if file.startswith('word/media/'):
                # 提取并保存图像
                z.extract(file, output_dir)
                print(f"Extracted {file} to {output_dir}")
extract_images_from_docx('example.docx', 'images')

此代码将Word文档中的所有图片提取到指定目录中。

二、利用PyMuPDF库

PyMuPDF是一个功能强大的PDF处理库，但也可以用于处理其他格式的文档。我们可以将Word文件转换为PDF，然后使用PyMuPDF提取图片。

安装PyMuPDF

可以通过pip安装PyMuPDF：

pip install PyMuPDF

提取图片

将Word文件转换为PDF后，可以使用以下代码提取图片：

import fitz  # PyMuPDF
def extract_images_from_pdf(pdf_path, output_dir):
    # 打开PDF文档
    doc = fitz.open(pdf_path)
    # 确保输出目录存在
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)
    # 遍历每一页
    for page_number in range(len(doc)):
        page = doc.load_page(page_number)
        images = page.get_images(full=True)
        for img_index, img in enumerate(images):
            xref = img[0]
            base_image = doc.extract_image(xref)
            image_bytes = base_image["image"]
            image_filename = f"image_{page_number+1}_{img_index+1}.png"
            image_filepath = os.path.join(output_dir, image_filename)
            # 保存图片
            with open(image_filepath, "wb") as image_file:
                image_file.write(image_bytes)
            print(f"Extracted {image_filename} to {output_dir}")
提取Word转换后的PDF图片
extract_images_from_pdf('example.pdf', 'pdf_images')

在提取图片之前，确保将Word文件转换为PDF格式。

三、通过解压Word文件

Word文件（.docx）本质上是一个ZIP压缩包，包含文档内容、图片、样式等信息。我们可以手动解压Word文件，直接访问“word/media”目录下的图片。

解压Word文件

使用任何ZIP解压工具解压Word文件，打开“word/media”目录，即可看到所有嵌入的图片文件。

自动化解压

可以使用Python脚本自动化解压和提取图片：

import shutil
def extract_images_from_docx_via_unzip(docx_path, output_dir):
    # 确保输出目录存在
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)
    # 解压docx文件
    shutil.unpack_archive(docx_path, output_dir)
    media_dir = os.path.join(output_dir, 'word', 'media')
    if os.path.exists(media_dir):
        print(f"Images extracted to {media_dir}")
    else:
        print("No images found.")
解压并提取图片
extract_images_from_docx_via_unzip('example.docx', 'unzipped')

四、借助Automation工具

Automation工具如Microsoft Office的VBA可以用来提取Word文档中的图片。不过，这需要在有Microsoft Office的环境中操作。

使用VBA宏

可以编写VBA宏来遍历Word文档中的形状（包括图片），然后将其导出为文件。以下是一个简单的VBA示例：

Sub ExtractImages() Dim img As InlineShape Dim i As Integer i = 1 For Each img In ActiveDocument.InlineShapes If img.Type = wdInlineShapePicture Then img.Select Selection.Copy With ActiveDocument.Content .Paste .InlineShapes(i).Range.SaveAsFile "C:\images\image_" & i & ".jpg", wdFormatJPEG i = i + 1 End With End If Next img End Sub

将此代码粘贴到Word的VBA编辑器中，运行后会将所有图片导出到指定目录。

总结

提取Word文档中的图片可以通过多种方法实现，具体选择哪种方法取决于使用环境和需求。使用python-docx库结合zipfile模块是最直接的方法，而通过PyMuPDF进行格式转换则适用于需要处理PDF的场景。此外，直接解压Word文件是最简单的手动方法，而利用VBA宏则适合于需要在Office环境中自动化操作的场景。根据需求和环境选择合适的方法，能够高效地提取Word文档中的图片。