说说 python-docx 解析 word 文档的原理

Posted 2023-04-07

参考技术A 首先通过 pip 安装 python-docx，命令为 pip install python-docx 。

python-docx 使用 Document 对象来表示整个 docx 文档。其内部包含 一个Paragraph 对象列表。每个 Paragraph 对应 docx 文档的一个段落。

word 文档中除了字符串，还包含字体、大小、颜色等样式信息。相同样式的连续字符串，就会被保存在一个 Run 对象中。

假设 docx 文档中有下面这些内容：

那么经过 python-docx 解析，就会生成 3 个 Run 对象：

python用python-docx读写word文档

python-docx库可用于创建和编辑Microsoft Word（.docx）文件。
官方文档：https://python-docx.readthedocs.io/en/latest/index.html

备注：
doc是微软的专有的文件格式，docx是Microsoft Office2007之后版本使用，其基于Office Open XML标准的压缩文件格式，比
doc文件所占用空间更小。docx格式的文件本质上是一个ZIP文件，所以其实也可以把.docx文件直接改成.zip，解压后，里面的
word/document.xml包含了Word文档的大部分内容，图片文件则保存在word/media里面。
python-docx不支持.doc文件，间接解决方法是在代码里面先把.doc转为.docx。

一、安装包

pip3 install python-docx

二、创建word文档

下面是在官文示例基础上对个别地方稍微修改，并加上函数的使用说明

from docx import Document
from docx.shared import Inches

document = Document()

#添加标题，并设置级别，范围：0 至 9，默认为1
document.add_heading(‘Document Title‘, 0)

#添加段落，文本可以包含制表符（\\t）、换行符（\\n）或回车符（\\r）等
p = document.add_paragraph(‘A plain paragraph having some ‘)
#在段落后面追加文本，并可设置样式
p.add_run(‘bold‘).bold = True
p.add_run(‘ and some ‘)
p.add_run(‘italic.‘).italic = True

document.add_heading(‘Heading, level 1‘, level=1)
document.add_paragraph(‘Intense quote‘, style=‘Intense Quote‘)

#添加项目列表（前面一个小圆点）
document.add_paragraph(
    ‘first item in unordered list‘, style=‘List Bullet‘
)
document.add_paragraph(‘second item in unordered list‘, style=‘List Bullet‘)

#添加项目列表（前面数字）
document.add_paragraph(‘first item in ordered list‘, style=‘List Number‘)
document.add_paragraph(‘second item in ordered list‘, style=‘List Number‘)

#添加图片
document.add_picture(‘monty-truth.png‘, width=Inches(1.25))

records = (
    (3, ‘101‘, ‘Spam‘),
    (7, ‘422‘, ‘Eggs‘),
    (4, ‘631‘, ‘Spam, spam, eggs, and spam‘)
)

#添加表格：一行三列
# 表格样式参数可选：
# Normal Table
# Table Grid
# Light Shading、 Light Shading Accent 1 至 Light Shading Accent 6
# Light List、Light List Accent 1 至 Light List Accent 6
# Light Grid、Light Grid Accent 1 至 Light Grid Accent 6
# 太多了其它省略...
table = document.add_table(rows=1, cols=3, style=‘Light Shading Accent 2‘)
#获取第一行的单元格列表
hdr_cells = table.rows[0].cells
#下面三行设置上面第一行的三个单元格的文本值
hdr_cells[0].text = ‘Qty‘
hdr_cells[1].text = ‘Id‘
hdr_cells[2].text = ‘Desc‘
for qty, id, desc in records:
    #表格添加行，并返回行所在的单元格列表
    row_cells = table.add_row().cells
    row_cells[0].text = str(qty)
    row_cells[1].text = id
    row_cells[2].text = desc

document.add_page_break()

#保存.docx文档
document.save(‘demo.docx‘)

创建的demo.docx内容如下：

三、读取word文档

from docx import Document

doc = Document(‘demo.docx‘)

#每一段的内容
for para in doc.paragraphs:
    print(para.text)

#每一段的编号、内容
for i in range(len(doc.paragraphs)):
    print(str(i),  doc.paragraphs[i].text)

#表格
tbs = doc.tables
for tb in tbs:
    #行
    for row in tb.rows:    
        #列    
        for cell in row.cells:
            print(cell.text)
            #也可以用下面方法
            ‘‘‘text = ‘‘
            for p in cell.paragraphs:
                text += p.text
            print(text)‘‘‘

运行结果：

Document Title
A plain paragraph having some bold and some italic.
Heading, level 1
Intense quote
first item in unordered list
second item in unordered list
first item in ordered list
second item in ordered list



0 Document Title
1 A plain paragraph having some bold and some italic.
2 Heading, level 1
3 Intense quote
4 first item in unordered list
5 second item in unordered list
6 first item in ordered list
7 second item in ordered list
8 
9 

Qty
Id
Desc
3
101
Spam
7
422
Eggs
4
631
Spam, spam, eggs, and spam
[Finished in 0.2s]