从word文档中提取标题文本

我正在尝试提取text来自 MS Word 文档（.docx 文件）中的（任何级别）标题。目前我正在尝试解决使用python-docx，但不幸的是，读完后我仍然无法弄清楚它是否可行（也许我错了）。

我尝试在网上寻找解决方案，但没有发现任何适合我的任务的解决方案。如果有人能在这里指导我，那就太好了。

根本的挑战是识别标题段落。就读者而言，没有什么可以阻止作者将“常规”段落格式化为看起来（并充当）标题。

然而，作者可靠地使用样式来创建标题的情况并不罕见，因为这样做可以自动将这些标题编译到目录中。

在这种情况下，您可以迭代段落，并挑选出具有其中一种标题样式的段落。

def iter_headings(paragraphs):
    for paragraph in paragraphs:
        if paragraph.style.name.startswith('Heading'):
            yield paragraph

for heading in iter_headings(document.paragraphs):
    print heading.text

如果标题级别保留默认值（例如“标题 1”、“标题 2”等），则可以从完整样式名称中解析标题级别。

如果作者重命名了标题样式，则可能需要调整。

有更复杂的方法更可靠（就独立于样式名称而言），但这些方法没有 API 支持，因此您需要深入研究内部代码并直接与我期望的一些样式 XML 交互。