日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后,達者為師

網站首頁 編程語言 正文

python中使用docx模塊處理word文檔_python

作者:python學習者0 ? 更新時間: 2023-02-12 編程語言

一.docx模塊

Python可以利用python-docx模塊處理word文檔,處理方式是面向對象的。也就是說python-docx模塊會把word文檔,文檔中的段落、文本、字體等都看做對象,對對象進行處理就是對word文檔的內容處理。

二.相關概念

如果需要讀取word文檔中的文字(一般來說,程序也只需要認識word文檔中的文字信息),需要先了解python-docx模塊的幾個概念。

  • Document對象,表示一個word文檔。
  • Paragraph對象,表示word文檔中的一個段落
  • Paragraph對象的text屬性,表示段落中的文本內容。

三.模塊的安裝和導入

需要注意,python-docx模塊安裝需要在cmd命令行中輸入pip install python-docx,如下圖表示安裝成功(最后那句英文Successfully installed,成功地安裝完成)

注意在導入模塊時,用的是import docx。

也真是奇了怪了,怎么安裝和導入模塊時,很多都不用一個名字,看來是很有必要出一個python版本的模塊管理程序python-maven了,本段純屬PS。

四.讀取word文本

在了解了上面的信息之后,就很簡單了,下面先創建一個D:\temp\word.docx文件,并在其中輸入如下內容。

import docx


file=docx.Document(r"F:\python從入門到放棄\7\2\wenjian.docx")

print('段落:'+str(len(file.paragraphs)))
# 
# for para in file.paragraphs:
#     print(para.text)
    
for i in range(len(file.paragraphs)): 
    print("第"+str(i)+"段的內容是:"+file.paragraphs[i].text)  
import sys

from docx import Document
from docx.shared import Inches

def main():
#     reload(sys)
#     sys.setdefaultencoding('utf-8')

    # 創建文檔對象
    document = Document()

    # 設置文檔標題,中文要用unicode字符串
    document.add_heading(u'我的一個新文檔',0)

    # 往文檔中添加段落
    p = document.add_paragraph('This is a paragraph having some ')
    p.add_run('bold ').bold = True
    p.add_run('and some ')
    p.add_run('italic.').italic = True

    # 添加一級標題
    document.add_heading(u'一級標題, level = 1',level = 1)
    document.add_paragraph('Intense quote',style = 'IntenseQuote')

    # 添加無序列表
    document.add_paragraph('first item in unordered list',style = 'ListBullet')

    # 添加有序列表
    document.add_paragraph('first item in ordered list',style = 'ListNumber')
    document.add_paragraph('second item in ordered list',style = 'ListNumber')
    document.add_paragraph('third item in ordered list',style = 'ListNumber')

    # 添加圖片,并指定寬度
    document.add_picture('cat.png',width = Inches(2.25))

    # 添加表格: 1行3列
    table = document.add_table(rows = 1,cols = 3)
    # 獲取第一行的單元格列表對象
    hdr_cells = table.rows[0].cells
    # 為每一個單元格賦值
    # 注:值都要為字符串類型
    hdr_cells[0].text = 'Name'
    hdr_cells[1].text = 'Age'
    hdr_cells[2].text = 'Tel'
    # 為表格添加一行
    new_cells = table.add_row().cells
    new_cells[0].text = 'Tom'
    new_cells[1].text = '19'
    new_cells[2].text = '12345678'

    # 添加分頁符
    document.add_page_break()

    # 往新的一頁中添加段落
    p = document.add_paragraph('This is a paragraph in new page.')

    # 保存文檔
    document.save('demo1.doc')

if __name__ == '__main__':
    main()

讀取表格:

import docx

doc = docx.Document('wenjian.docx')
for table in doc.tables:  # 遍歷所有表格
    print('----table------')
    for row in table.rows:  # 遍歷表格的所有行
        # row_str = '\t'.join([cell.text for cell in row.cells])  # 一行數據
        # print row_str
        for cell in row.cells:
            print(cell.text, '\t',)
        print() #換行

首先是用docx.Document打開對應的文件目錄。

docx文件的結構比較復雜,分為三層,

  • Docment對象表示整個文檔;
  • Docment包含了Paragraph對象的列表,Paragraph對象用來表示文檔中的段落;
  • 一個Paragraph對象包含Run對象的列表。

因此p.text會打印出整個的文本文檔。而用doc.tables來遍歷所有的表格。并且對每個表格通過遍歷行,列的方式來得到所有的內容。

但是在運行結果中并沒有找到我們插入的文件對象和圖片,text.txt文檔。這部分該如何解析呢。首先我們需要先來認識下docx文檔的格式組成:

  • docx是Microsoft Office2007之后版本使用的,用新的基于XML的壓縮文件格式取代了其目前專有的默認文件格式,在傳統的文件名擴展名后面添加了字母“x”(即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”)。

  • docx格式的文件本質上是一個ZIP文件。將一個docx文件的后綴改為ZIP后是可以用解壓工具打開或是解壓的。事實上,Word2007的基本文件就是ZIP格式的,他可以算作是docx文件的容器。

  • docx 格式文件的主要內容是保存為XML格式的,但文件并非直接保存于磁盤。它是保存在一個ZIP文件中,然后取擴展名為docx。將.docx 格式的文件后綴改為ZIP后解壓, 可以看到解壓出來的文件夾中有word這樣一個文件夾,它包含了Word文檔的大部分內容。而其中的document.xml文件則包含了文檔的主要文本內容

從上面的文檔我們可以了解到docx文檔實際上是由XML文檔打包組成的。那么我們要得到其中所有的部分,可以用ZIP解壓的方式來得到所有的部件。

我們先試下看是否可以

1 將docx文檔改成ZIP的后綴

2 解壓文件

解壓之后得到如下幾個文件

在這里插入圖片描述

點開word文件夾:有如下的文件夾。document.xml就是描述文本對象的文件

在這里插入圖片描述

其中embeddings文件中就是我們插入的文本對象text.txt. 是一個bin文件

在這里插入圖片描述

Media文件中就是存儲的圖片:

在這里插入圖片描述

我們通過手動的方式將插入的文本以及圖片解析出來,那么通過代碼也是同樣可以解析的。代碼如下。

os.chdir(r'E:\py_prj')  #首先改變目錄到文件的目錄

os.rename('test.docx','test.ZIP')  # 重命名為zip文件

f=zipfile.ZipFile('test.zip','r')  #進行解壓

for file in f.namelist():

    f.extract(file)

file=open(r'E:\py_prj\word\embeddings\oleObject1.bin','rb').read() #進入文件路徑,讀取二進制文件。

for f in file:

    print (f)

通過上面的方式,就可以將docx中插入的文件以及圖片全部解析出來。

具體docx的寫的方式可以參考官方文檔的介紹

原文鏈接:https://www.cnblogs.com/xxpythonxx/p/17025845.html

欄目分類
最近更新