pdf及word文档的读取 pyPDF2,docx

Posted 2021-01-01 ting-light

#!python3

#-*- coding:utf8 -*-

 

#PyPDF2可能会打不开某些pdf文档，也不能提取图片，图表或者其他媒介从PDF文件中。但是它能提取文本从PDF中，转化为字符。

import PyPDF2 

#以二进制方式 读模式打开一个pdf文件

pdfFileObj=open(‘e:workdata_service.pdf‘,‘rb‘)

#读取pdf文档

pdfReader=PyPDF2.PdfFileReader(pdfFileObj)

#返回的是pdf文档的总页数

print(pdfReader.numPages)

#获取单页的内容，页码数从0开始

pageObj=pdfReader.getPage(0)

#返回单页的文本内容

pageObj.extractText()

#对于有加密的pdf文档其读对象有属性 isEncrypted 

print(pdfReader.isEncrypted) #若有加密，则属性值为True。直接获取某页的文本内容会报错。

#通过方法decrypt()传递解密密码后可正常获取文本内容,密码以字符串形式传入。

#pdfReader.decrypt(‘rosebud‘)

 

#写pdf文档

 

#创建pdf写对象

pdfWriter=PyPDF2.PdfFileWriter()

 

for pageNum in range(pdfReader.numPages):

    pageObj=pdfReader.getPage(pageNum)

    #向pdf写对象里添加内容（内容为pdf某个页面对象）

    pdfWriter.addPage(pageObj)

#pdfWriter.addPage(pdfReader.getPage(3))

#创建新的pdf文件

pdfOutputFile=open(‘combinedminutes.pdf‘,‘wb‘)

#将pdf写对象中的内容加进新建的pdf文件中

#pdfWriter.write(pdfOutputFile) 此语句写入失败

#写完后关闭pdf文件

pdfOutputFile.close()

 

 

#word文档读写

import docx

doc=docx.Document(‘C:\Users\li.wu\Desktop\有趣的植物.docx‘)

#文档的总段落数

print(len(doc.paragraphs))

#可以一段一段的返回文本内容

print(doc.paragraphs[0].text)

#‘第一章xa0xa0了解mysql‘

#每个段落都有一个runs属性，runs的长度表示这个段落的格式的变化次数。

len(doc.paragraphs[1].runs)

#10

#每个runs元素也都有一个text属性

print(doc.paragraphs[1].runs[0].text) 

#‘xa0xa0xa0‘

 

#如果只关心文档中的内容，不在意格式的话，可以写一个函数直接获取整段文本：

def getText(filename):

    doc=docx.Document(filename)

    fullText=[]

    for para in doc.paragraphs:

        fullText.append(para.text)

    return ‘ ‘.join(fullText)

a=getText(‘e:workmysqll.docx‘)

print(a.encode(‘utf-8‘))

 

‘‘‘

默认的字体的类型有：

‘Normal‘ ‘Heading5‘ ‘ListBullet‘ ‘ListParagraph‘ ‘BodyText‘ ‘Heading6‘ ‘ListBullet2‘ ‘MacroText‘ ‘BodyText2‘ ‘Heading7‘

‘ListBullet3‘ ‘NoSpacing‘ ‘BodyText3‘ ‘Heading8‘ ‘ListContinue‘ ‘Quote‘ ‘Caption‘ ‘Heading9‘ ‘ListContinue2‘ ‘Subtitle‘

‘Heading1‘ ‘IntenseQuote‘ ‘ListContinue3‘ ‘TOCHeading‘ ‘Heading2‘ ‘List‘ ‘ListNumber‘ ‘Title‘ ‘Heading3‘ ‘List2‘

‘ListNumber2‘ ‘Heading4‘ ‘List3‘ ‘ListNumber3‘

‘‘‘

 

#有3种类型的风格，段落风格可以应用于Paragraph对象，个性风格可以应用于Run对象。关联风格可以应用于前两种风格。

#设置风格属性时，风格类型名中间不要使用空格，例Subtle Emphasis ,入参应写成‘SubtleEmphasis‘

#Paragraph和Run对象都有属相style,通过设置style的值可以设置段落和文字的格式。

#当使用关联风格属性应用于Run对象时，需要在风格名后加上’Char‘。例如要将Quote类的关联风格应用于Paragraph对象时，使用paragraphObj.style=‘Quote‘,

#但是应用于Run对象时，应该使用runObj.style=‘QuoteChar‘.

#目前的Python-Docx（0.7.4）只支持默认的word风格。

 

#run对象的text属性，每个text属相有三种值 True(打开) False(关闭) None(默认值)

#run对象的text属性：

‘‘‘

bold            : The text appears in bold.

italic          : The text appears in italic.

underline       : The text is underlined.

strike          : The text appears with strikethrough.

double_strike   : The text appears with double strikethrough.

all_caps        : The text appears in capital letters.

small_caps      : The text appears in capital letters, with lowercase letters two points smaller.

shadow          : The text appears with a shadow.

outline         : The text appears outlined rather than solid.

rtl             : The text is written right-to-left.

imprint         : The text appears pressed into the page.

emboss          : The text appears raised off the page in relief.

‘‘‘

doc.paragraphs[1].runs[0].underline=True

doc.save(‘restyled.docx‘)

 

#创建新的word文档

doc=docx.Document()

#添加段落

doc.add_paragraph(‘Hello world!‘)

a=doc.add_paragraph(‘this is a second paragraph‘)

#在段落后添加语句

a.add_run(‘This text is being addded to the second paragraph‘)

#添加段落时可设置段落格式

doc.add_paragraph(‘Hello world !‘,‘Title‘)

 

#add_heading()方法是以某一种标题格式添加一个段落数据范围从0~4，0是主标题，4是第4级副标题。

doc.add_heading(‘Header 0‘,0) #格式为标题1

doc.add_heading(‘Header 1‘,1) #格式为标题2

#通过在第一个末尾设置一个break，转到下一页

doc.paragraphs[2].runs[0].add_break(docx.enum.text.WD_BREAK.PAGE)

#Enumeration – WD_BREAK_TYPE

‘‘‘

WD_BREAK.LINE

WD_BREAK.LINE_CLEAR_LEFT

WD_BREAK.LINE_CLEAR_RIGHT

WD_BREAK.TEXT_WRAPPING (e.g. LINE_CLEAR_ALL)

WD_BREAK.PAGE

WD_BREAK.COLUMN

WD_BREAK.SECTION_NEXT_PAGE

WD_BREAK.SECTION_CONTINUOUS

WD_BREAK.SECTION_EVEN_PAGE

WD_BREAK.SECTION_ODD_PAGE

‘‘‘

doc.add_paragraph(‘This is on the second page!‘)

 

#添加图片到文档末尾(宽设置为4英寸，高设置为1厘米)高与宽可以不设置，则为常规大小。

doc.add_picture(‘e:workcode.jpg‘,width=docx.shared.Inches(4),height=docx.shared.Cm(1))

 

doc.save(‘e:workhelloworld.docx‘)