python从docx转换的html文档中检索脚注(docx2python不起作用)

Question

我需要一些帮助从python中的docx文档中检索脚注，因为docx文件包含大量脚注。

下面是我目前有一个问题的代码，因为docx2python 无法读取word文档，而不能比一定数量的pages更多地读取word文档。

from docx2python import docx2python


docx_temp = docx2python(filepath)
footnotes = docx_temp.footnotes
footnotes = footnotes[0][0][0]
footnotes = [i.replace("\t","") for i in footnotes]

因此，我尝试了下面的其他方法，但是由于我不熟悉XML，所以我被困住了，而且我也不确定代码是否有效：

import re
import mammoth


with open(filepath, 'rb') as file:
    html = mammoth.convert_to_html(file).value
    #html = re.sub('\"(.+?)\"', '"<em>\1</em>"', html)
    fnotes = re.findall('id="footnote-<number>" (.*?) ', html)

和

import re
import zipfile
import xml.etree.ElementTree
from docx2python import docx2python


docxfile = zipfile.ZipFile(open(filepath,'rb'))
xmlString = docxfile.read('word/footnotes.xml').decode('utf-8')
fn = docxfile.read('word/footnotes.xml')
xml.etree.ElementTree.parse(fn)

你们能告诉我如何正确地写代码从docx/HTML文件中提取脚注吗？谢谢你的帮忙!

Answer 1

，因为docx2python不能读取超过特定页数的word文档。

几个月前，我重新编写了docx2python程序，以便从docx文件中复制一个结构化的(具有级别的) xml格式文件，这在许多文件上效果都很好。我不需要内容丢失。

您会尝试其他一些文件，或与我们共享您的文件，或者告诉我们您的certain number是什么。

据我所知，docx2python中的脚注源代码是作为这个footer = [x for y in footer for x in y]编写的。如果你用footnotes[0][0][0]来得到脚注，你可能会得到错误的注解。