Python如何批量删除doc文件中的图片？

Question

在使用Python批量处理Word文档（.docx）时，一个常见问题是：如何高效地遍历多个.docx文件并删除其中嵌入的图片？虽然`python-docx`库能读取和修改文档内容，但它不直接支持删除图像，尤其是当图片作为段落或形状存在时难以定位。开发者常因无法准确识别并移除`inline_shapes`或`drawing`元素而失败。此外，处理旧版二进制.doc文件（非.docx）时，缺乏有效解析工具更增加了难度。如何结合`zipfile`操作、XML解析与文档结构知识，安全清除所有图片而不破坏文档格式，成为实际应用中的技术难点。

Answer 1

让【宝码香车】来帮您解答，本回答参考DeepSeek编写，并整理提供。

如果答案能帮助您，请采纳，非常感谢！
.
每日一句正能量，让它带给您好心情：给自己多一点鼓励，少一点否定，你会发现自己很棒。
.

在处理Word文档时，批量删除图片确实是一个常见的需求，尤其是当文档中包含大量嵌入图像时。下面我将详细介绍如何使用Python和相关库来实现这一目标，主要针对.docx文件，并提及一些处理旧版.doc文件的注意事项。

方法概述

• 核心思路：.docx文件本质上是一个ZIP压缩包，其中包含XML文件和其他资源。通过解析XML结构，我们可以定位并删除图片元素，同时保持文档格式的完整性。
• 主要工具：python-docx库用于基本操作，zipfile和xml.etree.ElementTree用于深入处理XML结构。
• 适用文件类型：本方法适用于.docx文件；对于旧版二进制.doc文件，由于格式复杂，可能需要使用其他工具（如pywin32在Windows环境下）。

步骤详解

1. 安装必要的库

首先，确保安装了python-docx库。如果尚未安装，可以使用以下命令：

pip install python-docx

2. 遍历文件并删除图片

以下代码演示了如何批量处理.docx文件，删除所有图片：

import os
from docx import Document
from docx.oxml import parse_xml
from docx.oxml.ns import nsmap
import zipfile
import tempfile
import shutil


def remove_images_from_docx(docx_path, output_path):
    # 加载文档
    doc = Document(docx_path)
    
    # 删除内联图片（inline_shapes）
    for paragraph in doc.paragraphs:
        for run in paragraph.runs:
            # 检查运行中的图片并删除
            for inline in run._element.xpath('.//wp:inline', namespaces=nsmap):
                inline.getparent().remove(inline)
    
    # 删除通过形状（shapes）添加的图片
    for shape in doc.inline_shapes:
        # 尝试删除形状元素
        if shape._element is not None:
            shape._element.getparent().remove(shape._element)
    
    # 保存修改后的文档
    doc.save(output_path)


def batch_remove_images(input_folder, output_folder):
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)
    
    for filename in os.listdir(input_folder):
        if filename.endswith('.docx'):
            input_path = os.path.join(input_folder, filename)
            output_path = os.path.join(output_folder, filename)
            remove_images_from_docx(input_path, output_path)
            print(f"处理完成: {filename}")


# 使用示例
input_folder = 'path/to/input/folder'
output_folder = 'path/to/output/folder'
batch_remove_images(input_folder, output_folder)

3. 深入处理XML结构（高级方法）

如果上述方法无法完全删除图片，可能需要直接操作ZIP包内的XML文件：

import zipfile
import os
import tempfile
from xml.etree import ElementTree as ET


def remove_images_via_zip(docx_path, output_path):
    # 创建临时目录
    with tempfile.TemporaryDirectory() as temp_dir:
        # 解压docx文件
        with zipfile.ZipFile(docx_path, 'r') as zip_ref:
            zip_ref.extractall(temp_dir)
        
        # 处理文档中的图片引用
        document_xml_path = os.path.join(temp_dir, 'word/document.xml')
        tree = ET.parse(document_xml_path)
        root = tree.getroot()
        
        # 定义命名空间
        namespaces = {
            'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main',
            'wp': 'http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing',
            'a': 'http://schemas.openxmlformats.org/drawingml/2006/main',
            'pic': 'http://schemas.openxmlformats.org/drawingml/2006/picture'
        }
        
        # 查找并删除所有图片元素
        for elem in root.findall('.//wp:inline', namespaces):
            parent = elem.getparent()
            if parent is not None:
                parent.remove(elem)
        
        # 保存修改后的XML
        tree.write(document_xml_path, encoding='UTF-8', xml_declaration=True)
        
        # 重新打包为docx
        with zipfile.ZipFile(output_path, 'w') as zip_out:
            for root_dir, dirs, files in os.walk(temp_dir):
                for file in files:
                    file_path = os.path.join(root_dir, file)
                    arcname = os.path.relpath(file_path, temp_dir)
                    zip_out.write(file_path, arcname)


# 使用示例
remove_images_via_zip('input.docx', 'output.docx')

注意事项

1. 备份文件：在批量处理前，务必备份原始文档，以防意外损坏。
2. 测试验证：处理后的文档应仔细检查，确保文本内容和格式未被破坏。
3. 旧版.doc文件：对于二进制.doc文件，python-docx不支持。可以考虑使用pywin32（仅Windows）或转换为.docx格式后再处理。
4. 性能优化：处理大量文件时，可以考虑使用多线程或异步操作提高效率。

总结

通过结合python-docx的高级API和底层的ZIP/XML操作，我们可以有效地批量删除Word文档中的图片。这种方法虽然需要一定的XML结构知识，但提供了灵活性和控制力，适用于复杂的文档处理场景。