can not get TOC of docx with paragraphs

[Peng-wei-Yu]

Hi,

I am trying to get TOC of my document, but can not get through paragraphs, so I use etree to pragraph element.

here is my document, and I check source seems TOC packed in w:std, is it root cause?

just part from source( get source by rename to zip file andunzip)

<w:sdt>
<w:sdtPr>
<w:rPr>
<w:rFonts w:ascii="Tahoma" w:eastAsia="微软雅黑" w:hAnsi="Tahoma" w:cs="黑体"/>
<w:sz w:val="22"/>
<w:lang w:val="zh-CN"/>
</w:rPr>
<w:id w:val="1773670984"/>
<w:docPartObj>
<w:docPartGallery w:val="Table of Contents"/>
<w:docPartUnique/>
</w:docPartObj>
</w:sdtPr>
<w:sdtEndPr>
<w:rPr>
<w:b/>
<w:bCs/>
</w:rPr>
</w:sdtEndPr>
<w:sdtContent>
<w:p w14:paraId="0B4A64B5" w14:textId="77777777" w:rsidR="001A16C5" w:rsidRDefault="001A16C5">
<w:pPr>
<w:pStyle w:val="TOC1"/>
</w:pPr>
</w:p>
<w:p w14:paraId="400634CB" w14:textId="77777777" w:rsidR="001A16C5" w:rsidRDefault="00000000">
<w:pPr>
<w:pStyle w:val="TOC1"/>
<w:rPr>
<w:rFonts w:asciiTheme="minorHAnsi" w:eastAsiaTheme="minorEastAsia" w:hAnsiTheme="minorHAnsi" w:cstheme="minorBidi"/>
<w:kern w:val="2"/>
<w:sz w:val="21"/>
</w:rPr>
</w:pPr>
<w:r>
<w:fldChar w:fldCharType="begin"/>
</w:r>
<w:r>
<w:instrText xml:space="preserve"> TOC \o "1-3" \h \z \u </w:instrText>
</w:r>
<w:r>
<w:fldChar w:fldCharType="separate"/>
</w:r>
<w:hyperlink w:anchor="_Toc131613027" w:history="1">
<w:r>
<w:rPr>
<w:rStyle w:val="afa"/>
<w:rFonts w:ascii="黑体" w:hAnsi="黑体"/>
</w:rPr>
<w:t>摘　　要</w:t>
</w:r>
<w:r>
<w:tab/>
</w:r>
<w:r>
<w:fldChar w:fldCharType="begin"/>
</w:r>
<w:r>
<w:instrText xml:space="preserve"> PAGEREF _Toc131613027 \h </w:instrText>
</w:r>
<w:r>
<w:fldChar w:fldCharType="separate"/>
</w:r>
<w:r>
<w:t>I</w:t>
</w:r>
<w:r>
<w:fldChar w:fldCharType="end"/>
</w:r>
</w:hyperlink>
</w:p>
<w:p w14:paraId="49241CB2" w14:textId="77777777" w:rsidR="001A16C5" w:rsidRDefault="00000000">
<w:pPr>
<w:pStyle w:val="TOC1"/>
<w:rPr>
<w:rFonts w:asciiTheme="minorHAnsi" w:eastAsiaTheme="minorEastAsia" w:hAnsiTheme="minorHAnsi" w:cstheme="minorBidi"/>
<w:kern w:val="2"/>
<w:sz w:val="21"/>
</w:rPr>
</w:pPr>
<w:hyperlink w:anchor="_Toc131613028" w:history="1">
<w:r>
<w:rPr>
<w:rStyle w:val="afa"/>
<w:rFonts w:eastAsia="宋体"/>
<w:b/>
</w:rPr>
<w:t>ABSTRACT</w:t>
</w:r>
<w:r>
<w:tab/>
</w:r>
<w:r>
<w:fldChar w:fldCharType="begin"/>
</w:r>
<w:r>
<w:instrText xml:space="preserve"> PAGEREF _Toc131613028 \h </w:instrText>
</w:r>
<w:r>
<w:fldChar w:fldCharType="separate"/>
</w:r>
<w:r>
<w:t>II</w:t>
</w:r>
<w:r>
<w:fldChar w:fldCharType="end"/>
</w:r>
</w:hyperlink>
</w:p>
<w:p w14:paraId="096DC769" w14:textId="77777777" w:rsidR="001A16C5" w:rsidRDefault="00000000">
<w:pPr>
<w:pStyle w:val="TOC1"/>
<w:rPr>
<w:rFonts w:asciiTheme="minorHAnsi" w:eastAsiaTheme="minorEastAsia" w:hAnsiTheme="minorHAnsi" w:cstheme="minorBidi"/>
<w:kern w:val="2"/>
<w:sz w:val="21"/>
</w:rPr>
</w:pPr>
<w:hyperlink w:anchor="_Toc131613029" w:history="1">
<w:r>
<w:rPr>
<w:rStyle w:val="afa"/>
</w:rPr>
<w:t>第</w:t>
</w:r>
<w:r>
<w:rPr>
<w:rStyle w:val="afa"/>
</w:rPr>
<w:t>1</w:t>
</w:r>
<w:r>
331.docx

[caijamin]

@Peng-wei-Yu

from docx.text.paragraph import Paragraph

doc_elm =document._element
toc_paragraph_elms = doc_elm.xpath('.//w:sdt[w:sdtPr[w:docPartObj[w:docPartGallery[@w:val="Table of Contents"]]]]/w:sdtContent/w:p')
for toc_paragraph_elm in toc_paragraph_elms:
    print('toc_paragraph_elm',toc_paragraph_elm)
    print('parent',toc_paragraph_elm.getparent())
    paragraph = Paragraph(toc_paragraph_elm, toc_paragraph_elm.getparent())
    if paragraph:
        par_text = paragraph.text
        print('par_text',par_text)

[Peng-wei-Yu]

Hi @caijamin ,
441.docx

Really appreciate your help, and it works for this document, but I have several documents which I want to make a tool to check all my TOC, for example 441.docx. is there a common way to get TOC? That is what I want, thanks very much!

Regards

[caijamin]

@scanny
Unrecognized section break in directory label

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<w:document>
    <w:body>
        <w:sdt>
            <w:sdtPr>
                <w:rPr>
                    <w:rFonts w:ascii="宋体" w:hAnsi="宋体" />
                </w:rPr>
                <w:id w:val="147478629" />
                <w15:color w:val="DBDBDB" />
                <w:docPartObj>
                    <w:docPartGallery w:val="Table of Contents" />
                    <w:docPartUnique />
                </w:docPartObj>
            </w:sdtPr>
            <w:sdtContent>
                <w:p w14:paraId="15D7CBDD" w14:textId="2E04043B" w:rsidR="00240F81"
                    w:rsidRDefault="00476CEB" w:rsidP="002D3A29">
                    <w:pPr>
                        <w:spacing w:line="360" w:lineRule="auto" />
                        <w:sectPr w:rsidR="00240F81" w:rsidSect="00017878">
                            <w:headerReference w:type="default" r:id="rId9" />
                            <w:footerReference w:type="default" r:id="rId10" />
                            <w:pgSz w:w="12240" w:h="15840" />
                            <w:pgMar w:top="1440" w:right="1440" w:bottom="1440" w:left="1440"
                                w:header="720" w:footer="720" w:gutter="1440" />
                            <w:pgNumType w:fmt="upperRoman" />
                            <w:cols w:space="720" />
                        </w:sectPr>
                    </w:pPr>
                    <w:r w:rsidRPr="002D3A29">
                        <w:rPr>
                            <w:rFonts w:cs="宋体" />
                            <w:sz w:val="24" />
                            <w:szCs w:val="24" />
                        </w:rPr>
                        <w:fldChar w:fldCharType="end" />
                    </w:r>
                </w:p>
            </w:sdtContent>
        </w:sdt>
     </w:body>
</w:document> 

\docx\oxml\document.py
fix the section

    def sectPr_lst(self) -> List[CT_SectPr]:
        """All `w:sectPr` elements directly accessible from document element.

        Note this does not include a `sectPr` child in a paragraphs wrapped in
        revision marks or other intervening layer, perhaps `w:sdt` or customXml
        elements.

        `w:sectPr` elements appear in document order. The last one is always
        `w:body/w:sectPr`, all preceding are `w:p/w:pPr/w:sectPr`.
        """
        #xpath = "./w:body/w:p/w:pPr/w:sectPr | ./w:body/w:sectPr"
        xpath = "./w:body/w:p/w:pPr/w:sectPr | ./w:body/w:sectPr | ./w:body/w:sdt/w:sdtContent/w:p/w:pPr/w:sectPr"
        return self.xpath(xpath)