docx文檔的結構
docx文件本質上是壓縮包，包含Content_Types.xml定義的內容類型、.rels文件維護的關係、document.xml中的文檔內容、styles.xml中的樣式定義以及numbering.xml裡的列表樣式。這些組件協同工作，構建並呈現文檔的結構和樣式。
更改文件名後綴docx到zip後，可以解壓縮成以下的目錄結構
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
|
壓縮docx文件
佔用空間較大的一般主要是 word/media目錄下的文件，壓縮主要針對這些文件
docx暫時不支持最新的圖片壓縮格式比如 JPEG XL、AVIF、WebP 2 等, 所以還是要採用普通的jpg, png等常見格式
1. 解壓縮
把後綴改成zip, 即可解壓縮
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. 壓縮 jpg png 等文件
直接壓縮即可，可使用Caesium進行壓縮，有比較好的壓縮效果, 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 一般選擇50，壓縮後的圖片仍然效果很好，甚至可以選擇20也有很不錯的結果
quality 即使選擇較高的80, 壓縮後文件也會小很多
3. 壓縮emf文件
emf通常都比較大, 轉換為jpg png後, 通常可以小很多。可使用 imagemagick 進行格式轉換，然後再壓縮。
由於改變了文件名的後綴 emf 到 jpg png, 需要修改 word_rels\document.xml.rels 文件
4. 打包
把修改後文件按原樣打包即可，壓縮方式選擇 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. 整個過程代碼
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))
|
總結
按照以上方式處理, quality=50, docx文件一般可以到原大小的1/3左右