【翻译】基于python-docx实现的解析docx文件，顺序保存文字、表格、图片

前些天由于程序的需要，要从docx文档中，按文档的顺序获取文字、图片、表格信息，按自己想要的排版方式，转换成markdown格式。但是，卡在了按顺序获取文字、图片、表格上。查找了很多资料，很多都是介绍怎么使用python-docx添加文字、图片、表格的。后来经过多方查找，终于找到一份国外的源码（源码地址附在文后），已经实现了按顺序获取文字、图片、表格的功能。为了节省大家搜索时间，所以把他的英文文档翻译成中文，方便大家查阅。原文翻译如下：

python-docx是用于创建和处理Microsoft Word（.docx）文件的Python库。Python-docx包无法按文档顺序完全读取段落，表格和图像。按照文档顺序，它只能一次获取所有段落，或者一次获取所有表格，或者一次获取所有图像。在这里，我提供了一种方法，可以将docx文件中的段落、表格和图像按文档顺序读取到python的数据框中。

该代码位于“Para_table_image_extraction.py”的文件内。在以任何docx文件作为输入运行此代码时，此代码将生成3个数据帧，即“combined_df”、“table_list”和“image_df”：

docx文件的所有内容（包括段落，表和图像）都按顺序存储在名为“combined_df”的python数据帧中
如果在文档的段落之后出现图像，则对该图像的引用将存储在“combined_df”数据框中，而不是实际图像。您将必须从“combined_df”引用图像索引，并从名为“image_df”的单独数据帧中检索图像数据，该数据帧存储image_index和每个图像的相应base64编码图像数据
类似地，如果在文档中遇到表，则将填充“combined_df”数据框中的“table_id”列。而且，您将不得不从“table_list”中检索与“ table_id”相关的对应表

下图是示例 word 文档（docx）：

下图是根据上述docx文件生成的“combined_df”数据帧:

在上述数据帧中：

para_text ：表示文档的实际段落内容（每一行代表文档中的每个段落）
table_id ：表示表格的表ID（如果在该文档的该位置存在表）。如果没有表格，则其值表示为“ Novalue”
style ：代表相应段落的段落样式

注意，图像和表格不会这样存储在combined_df数据框中。对这些对象的引用仅存储在combined_df中。这意味着对于在Combined_df中存在的每个图像ID或表格ID，您将必须从combined_df中检索图像ID或表格ID，并从image_df和table_list中根据这些ID来获取图像数据或表格数据。

图像文件以以下符号表示：

combined_df中的 Document_Imagefile/image1.png/rId7/0

这表示该引用实际上是一个图像文件，其中“image1.png”作为图像名称，“rId7”作为图像的唯一ID或标识符，“0”图片索引将在image_df中引用。