Získání obsahu Word dolumentu

docx_content.py

def get_docx_paragraphs_content(path, delimiter="\n"):
    """
    Funkce vrací obsah odstavců Word dokumentu.
    :path: Cesta k Word dokumentu.
    :delimiter: Oddělovací znak jednotlivých odstavců ve výstupním řetězci.
    :returns paragraphs: Vrací obsah odstavců jako řetězec. 
    """
    import os
    import zipfile
    from xml.etree.ElementTree import XML
    
    WORD_NAMESPACE = \
        "{http://schemas.openxmlformats.org/wordprocessingml/2006/main}"
    PARA = WORD_NAMESPACE + 'p'
    TEXT = WORD_NAMESPACE + 't'

    if not os.path.isfile(path):
        raise FileNotFoundError

    if not os.access(path, os.R_OK):
        raise PermissionError

    with zipfile.ZipFile(path) as document:
        try:
            tree = XML(document.read('word/document.xml'))
        except zipfile.BadZipFile:
            raise

    paragraphs = []
    for paragraph in tree.getiterator(PARA):
        texts = [node.text
                 for node in paragraph.getiterator(TEXT)
                 if node.text]
        if texts:
            paragraphs.append(delimiter.join(texts))

    return paragraphs