파이썬으로 MS Word 문서 읽는 방법

들어가기 전에

Microsoft Word 문서에서 텍스트, 표, 이미지 또는 메타데이터와 같은 특정 데이터를 프로그래밍 방식으로 추출하는 방법을 알고 있으면 문서 처리 작업을 자동화하는 데 유용합니다. 파이썬을 사용하여 Word 문서에서 다양한 유형의 데이터를 읽거나 추출하는 방법을 소개합니다.

권현욱(엑셀러) | 아이엑셀러 닷컴 대표 · Microsoft Excel MVP · Excel 솔루션 프로바이더 · 작가

이미지: 아이엑셀러 닷컴

 

※ 이 글은 아래 기사 내용을 토대로 작성되었습니다만, 필자의 개인 의견이나 추가 자료들이 다수 포함되어 있습니다.

---

• 원문: How to Read Word Documents with Python
• URL: https://medium.com/@alexaae9/how-to-read-word-documents-with-python-c64f2849839d

---

워드 문서 읽기를 위한 Python 라이브러리

Spire.Doc은 Microsoft Office Word 문서 작업을 간소화하는 Python 라이브러리입니다. 이 라이브러리를 사용하면 프로그래밍 방식으로 Word 문서를 읽고, 쓰고, 조작할 수 있어 문서 관련 작업을 더 쉽게 자동화할 수 있습니다. 다음 명령을 사용하여 PyPI에서 라이브러리를 설치할 수 있습니다.

pip install Spire.Doc

 

파이썬에서 특정 단락의 텍스트 추출하기

Spire.Doc을 사용하면 Word 문서의 특정 부분으로 쉽게 작업할 수 있습니다. Document.Sections[index]를 사용하여 섹션에 액세스한 다음 Section.Paragraphs[index]를 사용하여 해당 섹션 내의 단락에 액세스할 수 있습니다. 마지막으로 Paragraph.Text를 사용하여 단락의 텍스트를 가져올 수 있습니다.

from spire.doc import *
from spire.doc.common import *

# Create a Document object
doc = Document()

# Load a Word document
doc.LoadFromFile("C:\\Users\\Administrator\\Desktop\\input.docx")

# Get a specific section
section = doc.Sections[0]

# Get a specific paragraph
paragraph = section.Paragraphs[3]

# Get text of the paragraph
str = paragraph.Text

# Print result
print(str)

 

이미지: medium

 

파이썬에서 전체 Word 문서의 텍스트 추출하기

전체 Word 문서의 텍스트를 가져오려면 Document.GetText() 메서드를 사용하면 됩니다.

from spire.doc import *
from spire.doc.common import *

# Create a Document object
doc = Document()

# Load a Word file
doc.LoadFromFile("C:\\Users\\Administrator\\Desktop\\input.docx")

# Get text from the entire document
text = doc.GetText()

# Print result
print(text)

 

이미지: medium

파이썬에서 Word 문서의 표 추출하기

Spire.Doc을 사용하면 Section.Tables를 사용하여 섹션의 표에 액세스할 수 있습니다. 그런 다음 특정 표를 가져와 셀을 검색할 수 있습니다. 각 셀의 텍스트 콘텐츠는 TableCell.Paragraphs.get_Item().Text를 통해 사용할 수 있습니다.

from spire.doc import *
from spire.doc.common import *

# Create a Document object
doc = Document()

# Load a Word document
doc.LoadFromFile("C:\\Users\\Administrator\\Desktop\\input.docx")

# Iterate through the sections
for i in range(doc.Sections.Count):

    # Get a specific section
    section = doc.Sections.get_Item(i)

    # Get tables from the section
    tables = section.Tables

    # Iterate through the tables
    for j in range(0, tables.Count):

        # Get a certain table
        table = tables.get_Item(j)

        # Declare a variable to store the table data
        tableData = ""

        # Iterate through the rows of the table
        for m in range(0, table.Rows.Count):

            # Iterate through the cells of the row
            for n in range(0, table.Rows.get_Item(m).Cells.Count):

                # Get a cell
                cell = table.Rows.get_Item(m).Cells.get_Item(n)

                # Get the text in the cell
                cellText = ""
                for para in range(cell.Paragraphs.Count):
                    paragraphText = cell.Paragraphs.get_Item(para).Text
                    cellText += (paragraphText + "     ")

                # Add the text to the string
                tableData += cellText

            # Add a new line
            tableData += "\n"
    
        # Save the table data to a text file
        with open(f"output/WordTable_{i+1}_{j+1}.txt", "w", encoding="utf-8") as f:
            f.write(tableData)

 

이미지: medium

 

파이썬에서 Word 문서의 이미지 추출하기

Word 문서에서 이미지를 추출하려면 먼저 문서의 하위 개체를 반복해야 합니다. 그런 다음 자식 객체가 DocPicture인지 확인합니다. 그렇다면 DocPicture.ImageBytes를 사용하여 이미지 데이터에 액세스하고 이미지 파일로 저장할 수 있습니다.

import queue
from spire.doc import *
from spire.doc.common import *

# Create a Document object
doc = Document()

# Load a Word file
doc.LoadFromFile("C:\\Users\\Administrator\\Desktop\\input2.docx")

# Create a Queue object
nodes = queue.Queue()
nodes.put(doc)

# Create a list
images = []

while nodes.qsize() > 0:
    node = nodes.get()

    # Loop through the child objects in the doucment
    for i in range(node.ChildObjects.Count):
        child = node.ChildObjects.get_Item(i)

        # Detect if a child object is a picture
        if child.DocumentObjectType == DocumentObjectType.Picture:
            picture = child if isinstance(child, DocPicture) else None
            dataBytes = picture.ImageBytes

            # Add the image data to the list 
            images.append(dataBytes)
         
        elif isinstance(child, ICompositeObject):
            nodes.put(child if isinstance(child, ICompositeObject) else None)

# Loop through the images in the list
for i, item in enumerate(images):
    fileName = "Image-{}.png".format(i)
    with open("ExtractedImages/"+fileName,'wb') as imageFile:

        # Write the image to a specified path
        imageFile.write(item)

 

이미지: medium

 

파이썬에서 Word 문서의 메타데이터 추출하기

Spire.Doc을 사용하면 Document.BuiltinDocumentProperties 속성을 사용하여 Word 문서의 기본 제공 문서 속성에 액세스할 수 있습니다. 이를 통해 작성자, 회사, 제목, 제목과 같은 표준 속성에 액세스할 수 있습니다.

from spire.doc import *
from spire.doc.common import *

# Create a Document object
doc = Document()

# Load a Word document
doc.LoadFromFile("C:\\Users\\Administrator\\Desktop\\input.docx")

# Get the built-in properties of the document
builtinProperties = doc.BuiltinDocumentProperties

# Get the value of the built-in properties
properties = [
    "Author: " + builtinProperties.Author,
    "Company: " + builtinProperties.Company,
    "Title: " + builtinProperties.Title,
    "Subject: " + builtinProperties.Subject,
    "Keywords: " + builtinProperties.Keywords,
    "Category: " + builtinProperties.Category,
    "Manager: " + builtinProperties.Manager,
    "Comments: " + builtinProperties.Comments,
    "Hyperlink Base: " + builtinProperties.HyperLinkBase,
    "Word Count: " + str(builtinProperties.WordCount),
    "Page Count: " + str(builtinProperties.PageCount),
]

# Print result
for i in range(0, len(properties)):
    print(properties[i])

멤버십 안내 "최고" 가성비로 "최신" Office 활용 정보를 보내드립니다.

추천 도서 심혈을 기울여 집필한 책들입니다. 자신있게 추천합니다.

강의 & 개발 최고 전문가의 실무 노하우를 아낌 없이 전수해 드립니다.