docx文档的结构
docx文件本质上是压缩包，包含Content_Types.xml定义的内容类型、.rels文件维护的关系、document.xml中的文档内容、styles.xml中的样式定义以及numbering.xml里的列表样式。这些组件协同工作，构建并呈现文档的结构和样式。
更改文件名后缀docx到zip后，可以解压缩成以下的目录结构
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
|
│ [Content_Types].xml
├─docProps
│ app.xml
│ core.xml
│ custom.xml
│
├─word
│ │ document.xml
│ │ endnotes.xml
│ │ fontTable.xml
│ │ footer1.xml
│ │ footnotes.xml
│ │ settings.xml
│ │ styles.xml
│ │ webSettings.xml
│ │
│ ├─media
│ │ image1.jpg
│ │ image10.emf
│ │ image11.emf
│ │ image12.emf
│ │ image13.png
│ │ image14.emf
│ │ image15.emf
│ │ image16.emf
│ │ image17.emf
│ │ image2.jpg
│ │ image3.jpg
│ │ image4.jpg
│ │ image5.png
│ │ image6.png
│ │ image7.emf
│ │ image8.png
│ │ image9.png
│ │
│ ├─theme
│ │ theme1.xml
│ │
│ └─_rels
│ document.xml.rels
│
└─_rels
.rels
|
压缩docx文件
占用空间较大的一般主要是 word/media目录下的文件，压缩主要针对这些文件
docx暂时不支持最新的图片压缩格式比如 JPEG XL、AVIF、WebP 2 等, 所以还是要采用普通的jpg, png等常见格式
1. 解压缩
把后缀改成zip, 即可解压缩
1
2
3
4
5
6
7
8
|
def unzip(file):
docname = file[0:-5]
if os.path.exists(docname) :
print('os.path.exists! remove!')
shutil.rmtree(docname)
with pyzipper.PyZipFile(file, "r") as zf:
zf.extractall(docname)
|
2. 压缩 jpg png 等文件
直接压缩即可，可使用Caesium进行压缩，有比较好的压缩效果, 使用命令行工具
1
2
3
4
5
6
7
8
9
10
11
|
def compress_image(
input_path: str,
quality: int = 80
):
command = 'caesiumclt.exe --same-folder-as-input --quality ' + str(quality) + ' ' + input_path
print(command)
try:
os.system(command)
except Exception as e:
logging.error(f"An error occurred: {str(e)}")
|
quality 一般选择50，压缩后的图片仍然效果很好，甚至可以选择20也有很不错的结果
quality 即使选择较高的80, 压缩后文件也会小很多
3. 压缩emf文件
emf通常都比较大, 转换为jpg png后, 通常可以小很多。可使用 imagemagick 进行格式转换，然后再压缩。
由于改变了文件名的后缀 emf 到 jpg png, 需要修改 word_rels\document.xml.rels 文件
4. 打包
把修改后文件按原样打包即可，压缩方式选择 ZIP_DEFLATED
1
2
3
4
5
6
7
8
9
10
11
|
def zip(folder, zipfile):
print('zip:', folder, ' -> ', zipfile)
with pyzipper.PyZipFile(zipfile, "w",compression=pyzipper.ZIP_DEFLATED) as zf:
for root,dirs,files in os.walk(folder):
for file in files:
abs_path = os.path.join(root,file)
rel_path = os.path.relpath(abs_path,folder)
# print(abs_path, rel_path)
zf.write(abs_path, rel_path)
shutil.rmtree(folder)
|
5. 整个过程代码
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
def compress_docx(indir, outdir):
for root,dirs,files in os.walk(indir):
# print(root,dirs,files)
for file in files:
if file.endswith('.docx'):
docfile = os.path.join(root, file)
unzip(docfile)
docname = file[0:-5]
imgpath = os.path.join(root, docname, 'word/media/')
# print('imgpath=', imgpath)
compress_image(imgpath, 50)
outfolder = os.path.join(outdir, os.path.relpath(root, indir))
if not os.path.exists(outfolder):
os.mkdir(outfolder)
zip(os.path.join(root, docname), os.path.join(outfolder, file))
|
总结
按照以上方式处理, quality=50, docx文件一般可以到原大小的1/3左右