处理Word文档

Posted 2020-10-18

利用python-docx模块，Python可以创建和修改Word文档，它带有.docx文件扩展名。运行pip install python-docx，可以安装该模块。

在导入pytho-docx模块时，需要执行import docx,而不是import python-docx。

和纯文本相比，.docx文件有很多结构。这些结构在python-docx中用3种不同的类型来表示。在最高一层，Document对象表示整个文档。Document对象包含一个Paragraph对象的列表，表示文档中的段落。每一个Paragraph对象都包含一个Run对象的列表。

Word文档中的文本不仅仅是字符串。它包含与之相关的字体、大小、颜色和其他样式信息。在Word中，样式是这些属性的集合。一个Run对象是相同样式文本的延续。当文本样式发生改变时，就需要一个新的Run对象。

c:\python\Scripts>pip3.6 install python-docx
Collecting python-docx
  Downloading python-docx-0.8.6.tar.gz (5.3MB)
    100% |████████████████████████████████| 5.3MB 73kB/s
Collecting lxml>=2.3.2 (from python-docx)
  Downloading lxml-4.1.1-cp36-cp36m-win_amd64.whl (3.5MB)
    100% |████████████████████████████████| 3.6MB 39kB/s
Installing collected packages: lxml, python-docx
  Running setup.py install for python-docx ... done
Successfully installed lxml-4.1.1 python-docx-0.8.6

读取Word文档

使用len()得到paragraphs的个数。

每个paragraph对象都有一个text属性，包含该段中的文本的字符串（没有样式信息）。

每个paragraph对象也有一个runs属性，它是run对象的列表。

run对象也有一个text属性，包含那个延续中的文本。

run表示的是不同样式的文本。

c:\python>python
Python 3.6.1 (v3.6.1:69c0db5, Mar 21 2017, 18:41:36) [MSC v.1900 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import docx
>>> doc=docx.Document('Gettysburg Address.docx')
>>> len(doc.paragraphs)
4
>>> doc.paragraphs[0].text
'Four score and seven years ago our fathers brought forth on this continent, a new nation, conceived in Liberty, and dedicated to the proposition that all men are created equal.'
>>> doc.paragraphs[-1].text
''
>>> len(doc.paragraphs[0].runs)
1
>>> doc.paragraphs[0].runs[0].text
'Four score and seven years ago our fathers brought forth on this continent, a new nation, conceived in Liberty, and dedicated to the proposition that all men are created equal.'
>>>

从文件中取得完整的文本

如果只关心word文档中的文本，不关心样式信息，就可以利用getText()函数。

它接受一个.docx文件名，返回其中文本的字符串。

可以通过在append()方法中增加空格，形成段落缩进。

>>> import docx
>>> doc=docx.Document('Gettysburg Address.docx')
>>> fullText=[]
>>> for para in doc.paragraphs:
...     fullText.append(para.text)
...
>>> print(fullText)
['Four score and seven years ago our fathers brought forth on this continent, ......hall not perish from the earth.', '']
>>>

设置Paragraph和Run对象的样式

对于word文档，有3种类型的样式：段落样式可以应用于paragraph对象，字符样式可以应用于run对象，链接的样式可以应用于这两种对象。

在设置style属性时，不要在样式名称中使用空格。

如果对run对象应用链接的样式，需要在样式名称末尾加上‘char’。

在当前版本的python-docx（0.7.4）中，只能使用默认的word样式，以及打开的文件中已有的样式，不能创建新的样式。

写入Word文档

在添加完文本后，向Document对象的save()方法传入一个文件名字符串，将Document对象保存到文件。

可以用新的段落文本，再次调用add_paragraph()方法添加段落。

>>> import docx
>>> doc=docx.Document('Gettysburg Address.docx')
>>> doc.add_paragraph('Hello world!')
<docx.text.paragraph.Paragraph object at 0x0000019B5DD45B70>
>>> doc.save('newdoc.docx')

效果：

如果要在已有段落的末尾添加文本，可以调用paragraph对象的add_run方法，向它传入一个字符串。

add_paragraph()和add_run()都接受可选的第二个参数，它是表示Paragraph或Run对象样式的字符串。

>>> import docx
>>> doc=docx.Document('Gettysburg Address.docx')
>>> doc.add_paragraph('Hello world!')
<docx.text.paragraph.Paragraph object at 0x0000019B5D57ABE0>
>>> paraObj1=doc.add_paragraph('This is a second paragraph.')
>>> paraObj2=doc.add_paragraph('This is a yet another paragraph.')
>>> paraObj1.add_run('This text is being added to the second paragraph.')
<docx.text.run.Run object at 0x0000019B5DD5B940>
>>> doc.save('newdoc2.docx')

效果：

添加标题

调用add_heading()将添加一个段落，并使用一种标题样式。

add_heading()的参数，是一个标题文本的字符串，以及一个从0-4的整数。

整数0表示标题是Title样式，这用于文档的顶部。

整数1-4是不同的标题层次，1是主要的标题，4是最低层的子标题。

add_heading()返回一个Paragraph对象。

>>> import docx
>>> doc=docx.Document()
>>> doc.add_heading('Header 0',0)
<docx.text.paragraph.Paragraph object at 0x0000019B5E1740F0>
>>> doc.add_heading('Header 1',1)
<docx.text.paragraph.Paragraph object at 0x0000019B5E1740B8>
>>> doc.add_heading('Header 2',2)
<docx.text.paragraph.Paragraph object at 0x0000019B5E174978>
>>> doc.add_heading('Header 3',3)
<docx.text.paragraph.Paragraph object at 0x0000019B5E174198>
>>> doc.add_heading('Header 4',4)
<docx.text.paragraph.Paragraph object at 0x0000019B5E1740F0>
>>> doc.save('headings.docx')

效果：

添加换行符和换页符

要添加换行符，可以在run对象上调用add_break()方法。

要添加换页符，可以将docx.text.WD_BREAK.PAGE作为唯一的参数，传递给add_break()。

>>> import docx
>>> doc=docx.Document()
>>> doc.add_paragraph('This is on the first page!')
<docx.text.paragraph.Paragraph object at 0x0000019B5DD5B400>
>>> doc.paragraphs[0].runs[0].add_break()
>>> doc.add_paragraph('This is the new text!')
<docx.text.paragraph.Paragraph object at 0x0000019B5DD5B400>
>>> doc.save('break.docx')

效果：

添加图像

Document对象有一个add_picture()方法，在文档末尾添加图像。

>>> import docx
>>> doc=docx.Document()
>>> doc.add_paragraph('This is on the first page!')
<docx.text.paragraph.Paragraph object at 0x0000019B5E189080>
>>> doc.add_picture('123.jpg',width=docx.shared.Inches(1),height=docx.shared.Cm(4))
<docx.shape.InlineShape object at 0x0000019B5E1899E8>
>>> doc.save('picture.docx')

效果：