python提取word文件中的图片并上传阿里云OSS

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。 

来源：https://blog.csdn.net/hihell/article/details/122033985