儲蓄保險王

透視各家儲蓄險IRR,踢爆保險黑心貨與偽專家,看見儲蓄險的美麗與陷阱

Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰)

by · 2025-12-07

加入好友
加入社群
Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰) - 儲蓄保險王

這篇教學將帶您深入 Word (.docx) 的本質——它其實只是一個 Zip 壓縮包。我們將實作一個「切片手術」：

切除 (Slice)：保留指定段落，切除其餘內容。
清創 (Prune)：深入 Zip 結構，移除因為切除內容而變成「孤兒」的未引用圖片，大幅縮小檔案體積。
核心概念
複製策略：不要從頭建立新檔，而是「複製整份文件」然後「刪除不要的」。這樣能完美保留樣式 (Styles)、頁首頁尾 (Header/Footer) 和設定。
OOXML 關係：圖片存在 word/media/ 資料夾中，並透過 document.xml.rels 與內文建立關聯。只刪除內文圖片標籤，圖片實體檔案依然存在 Zip 中（導致檔案虛胖），必須手動清理。

  1. 環境準備與產生測試資料
    首先，我們建立一個包含三個章節的 Word 文件。

第 1 章：文字
第 2 章：文字 + 紅色圖片 (我們打算保留這個章節)
第 3 章：文字 + 藍色圖片 (我們打算切除這個章節)

import os
from docx import Document
from docx.shared import Inches
from PIL import Image
import io

# 建立測試用的圖片 (紅色與藍色)
def create_dummy_image(color, filename):
    img = Image.new('RGB', (200, 200), color=color)
    img.save(filename)
    return filename

create_dummy_image('red', 'red.png')
create_dummy_image('blue', 'blue.png')

# 建立原始 Word 文件
doc = Document()
doc.add_heading('Chapter 1: Intro', level=1)
doc.add_paragraph('This is the introduction.')

doc.add_heading('Chapter 2: Target Content', level=1)
doc.add_paragraph('We want to KEEP this section and the red image.')
doc.add_picture('red.png', width=Inches(1.0))

doc.add_heading('Chapter 3: Unwanted Content', level=1)
doc.add_paragraph('We want to REMOVE this section and the blue image.')
doc.add_picture('blue.png', width=Inches(1.0))

source_path = 'source_doc.docx'
doc.save(source_path)

print(f"原始檔案已建立: {source_path}")
print(f"原始大小: {os.path.getsize(source_path)} bytes")

原始檔案已建立: source_doc.docx
原始大小: 37460 bytes

Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰) - 儲蓄保險王

生成的source_doc.docx:

Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰) - 儲蓄保險王
  1. 核心步驟一：切片 (Slicing)
    我們使用 python-docx 載入文件，保留 Chapter 2 (索引 2 到 5)，刪除其餘部分。

注意：這一步雖然刪除了 Chapter 3 的文字和圖片標籤，但藍色圖片的實體檔案還留在 Zip 裡！

# %%
import shutil
from docx import Document

# 設定切片範圍 (模擬堆疊演算法算出的結果)
# Index 0: Chapter 1 Heading
# Index 1: Chapter 1 Text
# Index 2: Chapter 2 Heading (Start)
# Index 3: Chapter 2 Text
# Index 4: Chapter 2 Image
# Index 5: Chapter 3 Heading (End - Exclusive)
start_idx = 2
end_idx = 5

# 1. 複製檔案 (保留樣式)
sliced_path = 'sliced_bloated.docx'
shutil.copy2(source_path, sliced_path)

# 2. 開啟副本進行手術
doc = Document(sliced_path)
body = doc.element.body
all_elements = list(body.iterchildren())

# 3. 倒序刪除不在範圍內的元素
# (倒序是為了避免刪除元素後，後續元素的 index 跑掉)
for i in reversed(range(len(all_elements))):
    if i < start_idx or i >= end_idx:
        # 這是 sectPr (Section Properties) 保護機制，避免刪除最後一個 sectPr 導致格式跑掉
        if all_elements[i].tag.endswith('sectPr'):
            continue
        body.remove(all_elements[i])

doc.save(sliced_path)

print(f"切片完成 (尚未瘦身): {sliced_path}")
print(f"切片後大小: {os.path.getsize(sliced_path)} bytes")
print("觀察：檔案大小幾乎沒有變小，因為藍色圖片還在裡面！")

輸出結果:

Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰) - 儲蓄保險王

sliced_bloated.docx

Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰) - 儲蓄保險王

3. 核心步驟二：瘦身 (Pruning)

這是最精彩的部分。我們直接操作 OOXML (Zip) 結構：

  1. 解析 document.xml 找出還活著的關聯 ID (rId)。
  2. 解析 document.xml.rels 找出這些 rId 對應的檔案。
  3. 重寫 Zip，只保留有被引用的媒體檔案。
import zipfile
import tempfile
import shutil
from lxml import etree

final_path = 'final_clean.docx'

# 定義 XML Namespace
ns_map = {
    'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main',
    'r': 'http://schemas.openxmlformats.org/officeDocument/2006/relationships',
    'pkg': 'http://schemas.openxmlformats.org/package/2006/relationships'
}

# 準備暫存檔
with tempfile.NamedTemporaryFile(delete=False) as tmp:
    tmp_zip_path = tmp.name

with zipfile.ZipFile(sliced_path, 'r') as zfin, \
     zipfile.ZipFile(tmp_zip_path, 'w', zipfile.ZIP_DEFLATED) as zfout:
    
    # A. 讀取 document.xml 找出所有使用中的 rId
    doc_xml = zfin.read('word/document.xml')
    doc_tree = etree.fromstring(doc_xml)
    # 抓取所有 r:embed, r:link, r:id 屬性值
    used_rids = set(doc_tree.xpath("//@r:embed | //@r:link | //@r:id", namespaces=ns_map))
    
    # B. 讀取 document.xml.rels 建立白名單
    rels_xml = zfin.read('word/_rels/document.xml.rels')
    rels_tree = etree.fromstring(rels_xml)
    
    keep_files = set()
    rels_to_remove = []
    
    for rel in rels_tree.xpath("//pkg:Relationship", namespaces=ns_map):
        rid = rel.get('Id')
        target = rel.get('Target')
        
        # 正面表列：如果是 media 或 embeddings，且 rId 沒被使用，就標記刪除
        if target.startswith(('media/', 'embeddings/')):
            if rid not in used_rids:
                rels_to_remove.append(rel)
                continue # 跳過，不加入 keep_files
            else:
                # 要保留的圖片，補上 word/ 前綴以匹配 Zip 路徑
                keep_files.add('word/' + target)
        
        # 非媒體類 (如 styles.xml, theme.xml) 全部保留
        else:
            pass 

    # C. 從 XML 樹中移除未使用的 Relationship 節點
    if rels_to_remove:
        for r in rels_to_remove:
            r.getparent().remove(r)
        # 更新 rels 內容
        new_rels_xml = etree.tostring(rels_tree, encoding='utf-8', xml_declaration=True, standalone=True)
    else:
        new_rels_xml = rels_xml

    # D. 重寫 Zip (過濾孤兒檔案)
    for item in zfin.infolist():
        # 如果是我們要修改的 rels 檔，寫入新內容
        if item.filename == 'word/_rels/document.xml.rels':
            zfout.writestr(item, new_rels_xml)
            continue
        
        # 如果是 media 資料夾下的檔案，且不在白名單中 -> 刪除 (跳過不寫入)
        if item.filename.startswith(('word/media/', 'word/embeddings/')):
            if item.filename not in keep_files:
                print(f"移除孤兒檔案: {item.filename}")
                continue
        
        # 其他檔案原樣複製
        zfout.writestr(item, zfin.read(item.filename))

# 移動暫存檔到最終路徑
shutil.move(tmp_zip_path, final_path)

print(f"\n最終檔案: {final_path}")
print(f"最終大小: {os.path.getsize(final_path)} bytes")

移除孤兒檔案: word/media/image2.png

最終檔案: final_clean.docx
最終大小: 37152 bytes:

Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰) - 儲蓄保險王

4. 結果驗證

比較三個檔案的大小，您會發現 final_clean.docx 的大小顯著小於 sliced_bloated.docx，證明藍色圖片已被成功移除。

# %%
import pandas as pd

data = {
    'File': ['Source', 'Sliced (Bloated)', 'Final (Clean)'],
    'Size (Bytes)': [
        os.path.getsize(source_path),
        os.path.getsize(sliced_path),
        os.path.getsize(final_path)
    ]
}
df = pd.DataFrame(data)
df['Reduction'] = df['Size (Bytes)'].pct_change()
df

df:

Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰) - 儲蓄保險王

推薦hahow線上學習python: https://igrape.net/30afN

我們產生的「測試圖片」太小了（純色圖片壓縮率極高），導致「圖片本身的大小」相對於「Word 檔案結構的開銷（XML, Styles, Fonts）」來說微不足道。

純色圖片極小：

我們用 PIL 產生的 200×200 純色 PNG 圖片，經過壓縮後可能只有 幾百 bytes。
所以刪除一張圖片，檔案大小只減少了 37381 – 37152 = 229 bytes。這完全符合預期（一張純色 PNG 大概就是這麼小）。
Word 檔案的基底開銷：

一個空的 .docx 檔案，光是包含基本的 styles.xml, theme.xml, settings.xml 等等，大小就可能有 10KB ~ 30KB。
所以 37KB 的檔案中，絕大部分是 Word 的「骨架」，而不是圖片。
如何驗證「瘦身」真的有效？
我們需要讓圖片「有感」一點。我們可以用 os.urandom 產生雜訊圖片，或者直接產生大一點的圖片，這樣刪除後的效果就會非常顯著。

請嘗試修改 第 1 步：產生測試資料 的程式碼，改用這段產生「大圖片」的邏輯：

# %%
import os
from docx import Document
from docx.shared import Inches
from PIL import Image
import io
import numpy as np

# 建立測試用的圖片 (使用隨機雜訊，讓檔案變大且難以壓縮)
def create_heavy_image(color, filename, size=(1000, 1000)):
    # 產生隨機雜訊 (這樣 PNG 壓縮不下來，檔案會很大)
    # 使用 numpy 產生隨機像素
    arr = np.random.randint(0, 255, (size[0], size[1], 3), dtype=np.uint8)
    img = Image.fromarray(arr, 'RGB')
    img.save(filename)
    return filename

print("正在產生大型測試圖片 (可能需要幾秒鐘)...")
create_heavy_image('red', 'red.png')   # 這張會很大 (約 2-3 MB)
create_heavy_image('blue', 'blue.png') # 這張也會很大

# 建立原始 Word 文件
doc = Document()
doc.add_heading('Chapter 1: Intro', level=1)
doc.add_paragraph('This is the introduction.')

doc.add_heading('Chapter 2: Target Content', level=1)
doc.add_paragraph('We want to KEEP this section and the red image.')
doc.add_picture('red.png', width=Inches(3.0))

doc.add_heading('Chapter 3: Unwanted Content', level=1)
doc.add_paragraph('We want to REMOVE this section and the blue image.')
doc.add_picture('blue.png', width=Inches(3.0))

source_path = 'source_doc.docx'
doc.save(source_path)

print(f"原始檔案已建立: {source_path}")
print(f"原始大小: {os.path.getsize(source_path) / 1024 / 1024:.2f} MB")

重新執行後續的步驟,最終結果:

Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰) - 儲蓄保險王

數據完美驗證：

Sliced (Bloated): 6048243 bytes。

只比原始檔案少了 79 bytes（大概就是刪掉的那幾行文字的 XML 標籤大小）。
證明：單純用 python-docx 刪除內容，不會刪除圖片實體檔案。
Final (Clean): 3043151 bytes。

減少了約 49.69%。
證明：我們的 prune_docx 函式成功地深入 Zip 結構，精準地移除了那張約
3MB 的藍色圖片，同時保留了紅色圖片。

這套流程（複製 -> 切片 -> 瘦身）現在已經被證實是處理 Word 文件分割與優化的黃金準則。

推薦hahow線上學習python: https://igrape.net/30afN

核心邏輯：DOCX 切片與瘦身
這套流程的核心哲學是：「與其重建，不如雕刻」。

我們不嘗試在一個空白的新檔案中重建內容（因為樣式、頁首頁尾太難完美複製），
而是複製整個檔案，然後把不要的部分「雕刻」掉。

第一階段：切片 (Slicing) —— 雕刻法
目標：產生一份視覺上正確，包含指定章節的文件。

複製 (Clone)：

直接複製原始檔案 (source.docx) 成為副本 (sliced.docx)。
原因：這樣能完美繼承原始文件的所有「DNA」
（樣式 Styles、頁首頁尾、版面設定、字型）。
移除 (Remove)：

使用高階工具 (python-docx) 打開副本。
保留指定範圍（例如 Chapter 2）的段落。
刪除範圍以外的所有內容。
結果：打開 Word 看起來是對的，但檔案虛胖。
因為雖然你在內文中刪除了圖片的「標籤」，
但圖片的「實體檔案」還留在 Zip 壓縮包的深處。

第二階段：瘦身 (Pruning) —— 清道夫

目標：移除虛胖，物理刪除未使用的媒體檔案。

這階段我們不把 DOCX 當成 Word 檔，而是把它當成 Zip 壓縮包 來處理。

  1. 盤點需求 (Scan Document)：
    • 讀取內文 (document.xml)。
    • 統計：現在內文裡還剩下哪些「資源 ID」(rId)？
    • （例如：內文說我還需要 rId1 和 rId3）
  2. 查閱目錄 (Check Relationships)：
    • 讀取關聯表 (document.xml.rels)。
    • 翻譯：將 rId 翻譯成真實檔名。
    • （例如：rId1 = image_A.png, rId2 = image_B.png）
  3. 正面表列 (Allowlist Strategy)：
    • 邏輯：
      • rId1 有人用 -> image_A.png 保留。
      • rId2 沒人用 -> image_B.png 丟棄（這是孤兒）。
    • 關鍵：只針對 media/ 資料夾內的檔案進行篩選，其他系統檔案（如樣式表）一律保留。
  4. 重組 (Repack)：
    • 建立一個新的 Zip。
    • 將「白名單」內的檔案複製過去。
    • 結果：檔案體積大幅縮小，且結構完整。

總結圖解

  1. 原始狀態：[內文: A, B, C] + [圖片: A, B, C] = 5 MB
  2. 切片後：[內文: B

] + [圖片: A, B, C] = 5 MB (視覺上只有 B，但圖片都在)
3. 瘦身後：[內文: B] + [圖片: B] = 2 MB (真正的乾淨)

(exe檔,無需python環境也可執行)
SavingKingIRR_csv.exe
需要自己寫好逗點分隔檔
支援首續期不同保費
以及一次計算多年期IRR
 
不用寫逗點分隔檔
但首續期保費需相同
一次只能算一個年期
 
畫面會停在
您將輸入n年度末解約金?n=?
待使用者輸入下一筆資料或-9999離開
 
加入好友
加入社群
Python DOCX 手術刀：精準切片與瘦身 (OOXML 實戰) - 儲蓄保險王

儲蓄保險王

儲蓄險是板主最喜愛的儲蓄工具,最喜愛的投資理財工具則是ETF,最喜愛的省錢工具則是信用卡

You may also like...

發佈留言

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *

阿腸網頁設計