使用 Python 操作 word文档

最近手头有一个需求是对word文档内容进行判断，搜索到一个包感觉不错，简单记录一下关键操作：

python-docx能做什么

创建/读取 docx文档
修改内容：包括段落格式、章节、标题、分页符、文档中的表格、插入图片等操作

基本上常用的功能都在里面了，我的需求是找到关键内容进行判断，因此这个包对于我来说够用。

安装

官方文档上支持3种安装方式，使用最常见的一种进行即可。

pip install python-docx

环境支持:

python2.6、2.7，or 3.4
lxml >= 2.3.2

快速开始

由于Word文档是二进制的文档，因此创建和读取所使用的方法有一些差别。几个关键的对象和等级区别：

最顶层是Document对象，其代表整个文档; block-level（块等级），段落是常见的块等级，换行符结尾算一个段落，表格、图片和标题均属于块对象；对于块对象属性，常见有对齐（alignment）、缩进（indent）以及行间距（space）等等; inline-level（内联等级），其属于块等级中，run是常见的内联等级，一个块对象可由多个run组成，特别是通过run可由设置不同属性样式；文字、句子、段落均可作为内联对象；对于内联对象属性，常见有字体、大小、对齐以及颜色等等

如果要创建一个新的文档，需要：

from docx import Document
document = Document()


# 写一个段落
paragraph = document.add_paragraph('写一个新的段落')
prior_paragraph = paragraph.insert_paragraph_before('在上一个段落前写一点内容')


# 添加标题，默认是标题1
document.add_heading('这是标题')
document.add_heading('标题2', level=2)


# 添加分页符
document.add_page_break()

表格操作

# 添加一个表，通过table.cell()来访问其中的信息
table = document.add_table(rows=2, cols=2)


# 逐个添加内容
cell = table.cell(0, 1)
cell.text = 'parrot, possibly dead'

row = table.rows[1]
row.cells[0].text = 'Foo bar to you.'
heading_cells[0].text = 'Qty'

# 支持迭代，并逐行添加
items = (
    (7, '1024', 'Plush kittens'),
    (3, '2042', 'Furbees'),
    (1, '1288', 'French Poodle Collars, Deluxe'),
)

# 给每项添加行数据
for item in items:
    cells = table.add_row().cells

图片插入

from docx.shared import Inches
document.add_picture('测试图.png', width=Inches(1.0))

通常一个300dpi的300x300像素的图片大小是1英寸，若使用cm可以通过以下表示进行计算width = Inches(3) /thing_count

修改字体等格式

paragraph = document.add_paragraph('文档')
run = paragraph.add_run('加粗')
run.bold = True
paragraph.add_run('一下')

代码所展示的内容为「文档加粗一下」，个人感觉还是很麻烦的，因此这边就不进行下去了。有挺多相关的文档可以查阅。

如果对已有文档进行修改，需要：

from docx import Document
document = Document()
document.save('测试.docx')

document.save('新文档.docx')

注意：这个方法支持Word 2007及以后的版本；Word 2003及更早期的.doc文件无法使用

小应用

获取word文档中某一张表格记录的内容：

! pip install python-docx

import os
import re
import pandas as pd
from docx import Document
from docx.shared import Inches
os.chdir(r'C:UsersDRPDesktop')


document = Document('demo.docx')
tables = document.tables

res=[]
#docx库不支持doc格式
def read_table(docpath:str,n:int):
    '''docpath->word文件路径
    n->要读取文件中的第几个表格。从0开始
    返回表格数据的列表
    '''
    global res
    doc=Document(docpath)
    tb=doc.tables[n]
    for i in range(4,len(tb.rows)):
        data=[]
        row_cells=tb.rows[i].cells
        for  cell in row_cells:
            data.append(cell.text)
            print(data)
        res.append(data)
    return res

#获取文件中的第4个表格
table = tables[3]
for i in range(1, len(table.rows)): #从表格第二行开始循环读取表格数据
        idNum = table.cell(i,0).text #序号
        companyName = table.cell(i,1).text  #读取第二列
        print(companyName)

这样就可以获得表格中关键的内容了，后续即可以存入列表或者字典，或者对关键字进行检查。该方法适用于批量或者流程化提取、校验word文档内容。

参考资料

官方文档：https://python-docx.readthedocs.io/en/latest/index.html

中文版：https://www.zybuluo.com/belia/note/1303813

KAI-Python操作docx文档：https://www.bioinfo-scrounger.com/archives/693/