如何在无Hancom Office环境下用纯Python解析hwpx文件？

由于.hwpx是基于XML的压缩包（类似Office的docx格式），无需安装Hancom Office即可用纯Python工具解析提取内容，以下是可行方案：

1. 手动解析（无额外依赖，灵活可控） #

hwpx本质是zip压缩包，先解压再读取内部XML结构：

• 用Python标准库zipfile解压文件：

  import zipfile
  
  with zipfile.ZipFile("target.hwpx", "r") as zf:
      # 查看内部文件结构，确认核心文件位置
      print(zf.namelist())
      # 读取主内容XML文件
      content_data = zf.read("Contents/content.xml").decode("utf-8")
      # 读取元数据XML文件
      meta_data = zf.read("DocInfo/meta.xml").decode("utf-8")
  

• 用标准库xml.etree.ElementTree或第三方库lxml解析XML：
  • 文本内容一般在<text:span>或<text:p>标签下
  • 表格数据集中在<table:table>相关节点
  • 元数据（作者、创建时间等）可从meta.xml中提取

2. 第三方库辅助简化 #

目前没有专门针对hwpx的成熟纯Python库，但可通过通用工具组合降低开发成本：

• lxml：支持XPath查询，比标准库XML解析更高效，便于精准定位节点
• pandas：解析表格数据后可直接转为DataFrame，轻松导出为JSON或Markdown格式

3. 导出为Markdown/JSON #

解析得到内容后，可自行实现简单转换逻辑：

• 文本段落按换行分割，标题对应XML中的<text:h>标签层级
• 表格遍历行与单元格，拼接成Markdown表格格式
• 所有提取内容（文本、表格、元数据）可通过json.dump()直接导出为JSON

关键注意点 #

• hwpx的XML带有命名空间，解析时需指定前缀，示例：

  import xml.etree.ElementTree as ET
  
  ns_map = {
      "text": "urn:oasis:names:tc:opendocument:xmlns:text:1.0",
      "table": "urn:oasis:names:tc:opendocument:xmlns:table:1.0"
  }
  root = ET.fromstring(content_data)
  # 提取所有段落
  paragraphs = root.findall(".//text:p", ns_map)
  

• 不同版本的hwpx可能存在XML结构差异，建议先解压样本文件确认节点路径

内容的提问来源于stack exchange，提问作者SxA