Как с Python получить текст из DOCX с сохранением форматирования?

Question

[Иван]

Друзья, суть вопроса такова:
Пишу бота, хочу чтобы вместо документа Word'а он отправлял текст из этого документа.
С помощью python-docx получилось вытащить сам текст, но теряется изначальное форматирование текста (хочется чтобы где текст в документе выделялся полужирным, в сообщении бота текст также был полужирный) а также пропадают ссылки из текста.
Пример кода (но тут все по методичке):

doc = docx.Document('document.docx')
text = []
for docparagraph in doc.paragraphs:
text.append(docparagraph.text)
 await bot.send_message(message.chat.id, '\n'.join(text))

Есть ли возможность оправить в сообщении текст документа с сохранением форматирования ?

Уточнение: таких файлов достаточно много и к каждому прописывать свой стиль не вариант.

Comments

[Viktor T2]

Да конвертни его в HTML или в markdown,
каким нибудь https://pypi.org/project/mammoth/
или https://pypi.org/project/docx2html/
или еще как

[Иван]

Viktor T2, это очень хорошая идея, спасибо

Answer 1

[Vindicar]

Ну смотри. В DOCX текст хранится в виде интервалов (runs), где интервал - это последовательность символов с одинаковым форматированием. Можно получить список интервалов в абзаце через свойство docparagraph.runs.
А дальше для каждого интервала определяешь интересующие тебя свойства форматирования, достаёшь текст, и имитируешь это форматирование с помощью markdown (ну или какие там ещё языки разметки поддерживает нужный тебе мессенджер). Результаты склеиваешь в одну строку и отправляешь.

Кое-что есть в документации, но она явно неполная, так что остальное придётся искать в исходниках классов Paragraph и Run.

Comments

[Иван]

Я извиняюсь, добавил уточнение в в основной текст вопроса: таких вордовских файлов много, не подходит вариант настраивать стиль для каждого файла.

Тут даже важнее чтобы гиперссылки сохранились. В этом и вопрос: есть ли возможность вытащить текст как он есть в документе (со всеми фишками и форматированием) и отправить его пользователю в виде текстового сообщения?

[Vindicar]

Иван, извини, ты вообще читал мой ответ? Я про это и писал.

А дальше для каждого интервала определяешь интересующие тебя свойства форматирования, достаёшь текст

Если откроешь ссылку на исходники, увидишь что у объекта Run есть свойства, описывающие шрифт. Ну а дальше делаешь что-то в духе:

text = run.text
if run.font.bold:  # если в документе в этом месте жирный шрифт
    text = f'**{text}**'  # то делаем шрифт жирным
if run.font.italic:  # если в документе в этом месте курсив
    text = f'*{text}*'  # делаем текст курсивом

ну и так далее, для всех видов форматирования, которые тебе нужны.

Всё равно в ворде больше возможностей форматирования, чем в мессенджерах, так что придётся чем-то жертвовать.

[Иван]

Vindicar, спасибо, буду пробовать