【Python】如何用Python实现Word文档拆分

有时候，工作中可能会遇到以下场景：将一个含有几十篇文章（约几百至上千页）的word文件拆分为多个文件，每个文件包含一篇文章。

几百上千页的文档，手工处理实在低效，稍微打个盹儿还可能出错。好在我们有python，仅需编写几行代码就可借助python-docx模块拆分word文件，实现自动化办公。

1. 模块安装与概念介绍

python-docx是用于创建和更新Microsoft Word（.docx）文件的Python库。如果你日常需要经常处理Word文档，那么非常推荐使用python-docx，它处理起docx很方便。

python-docx模块已经提交给PyPI仓库，使用下述命令即可安装：

pip install python-docx

在使用python-docx读/写word文档中之前，先介绍本文需要用到python-docx模块的一些概念：

• Document对象：表示word文档。

• Paragraph对象：表示word文档中的段落。

  • text属性：表示段落中的文字内容。

  • style属性：表示段落文本的样式，如：Normal(正常)、Title(标题)等。

2. 读取word文本

以下示例代码读取word文档后，通过paragraph的text和style属性，查看了段落文字内容及段落样式。

# 导入模块
import docx

def read_doc(file_input_name)
    # 获取输入文档对象，file_input_name为待读取文档文件
    doc_obj = docx.Document(file_input_name)
    # 获取文档对象的所有段落并统计段落数
    lenDoc = len(doc_obj.paragraphs)
    print(f"总共{lenDoc}个段落" )

    for paragraph in doc_obj.paragraphs:
        # 查看段落样式
        print(paragraph.style.name)
        # 查看段落文字
        print(paragraph.text)
        print("\n")
        
if __name__ == '__main__':
    read_doc("/xxx/xxx/文档拆分示例.docx")

假设处理的文档文件内容如下：

使用示例代码，输出内容如下：

总共71个段落
段落样式：Title，段落文本：同质性及其体现
段落样式：Normal，段落文本：俗语说“人以类聚，物以群分”，似乎现实生活中也的确如此。关系密切的人常常具有一定的相似性（称为同质性），而这同质性本身则是影响社交网络结构的最基本的概念之一。其中，相似性不仅可能表现在如性别、种族、母语等自然、固有的特征上，也可能体现在在成长和社会交往过程中逐渐形成的兴趣、价值观等可变特征上（一定程度上可由行为体现）。

3. 写入word文本

import docx 

def write_doc(paragraphs, file_output_path):
    # 以首段文字（标题）作为文档名
    result_file_name = os.path.join(file_output_path, paragraphs[0] + ".docx")
    # 创建文档对象
    doc_obj = docx.Document()
    # 添加段落
    for paragraph in paragraphs:
        doc_obj.add_paragraph(paragraph)
    # 保存文件
    doc_obj.save(result_file_name)

示例代码以段落形式将标题与正文写入word文件，也就是说新的word文件里所有段落（无论标题还是正文）的style都为Normal。若想要让标题的style仍然为Title，可使用document.add_heading(paragraphs[0],level = 0)语句。

4. word文本自动拆分

这里给出了一个完整的示例代码，可以实现对几十篇文章的word文档的自动拆分，每篇文章单独存储。

示例代码拆分word文档思路：通过paragraph的style属性判断是否开始下一篇文章，一旦开始下一篇文章，就将前一篇文章的段落写入一个文件。

写入文件方式有两种：word文件（write_doc）、文本文件（write_txt）。

import os.path
import docx

FILE_INPUT = r"/xxx/xxx/文档拆分示例.docx"
FILE_OUTPUT = r"/xxx/xxx/文档拆分"

def write_txt(paragraphs, file_output_path, doc_count):
    """
    将篇章内容写入文本文件，以篇章index作为文件名
    :param paragraphs: 
    :param file_output_path: 
    :param doc_count: 
    :return: 
    """
    txt_path = os.path.join(file_output_path,"文本文件")
    if not os.path.exists(txt_path):
        os.makedirs(txt_path)
    file_output_name = os.path.join(txt_path,str(doc_count)+".txt")
    paragraphs = map(lambda x:x.strip(),paragraphs)
    with open(file_output_name,"w") as fw:
        fw.writelines("\n".join(paragraphs))


def write_doc(paragraphs, file_output_path):
    """
    将篇章内容写入word文档，以篇章标题作为文档名
    :param paragraphs: 
    :param file_output_path: 
    :return: 
    """
    result_file_name = os.path.join(file_output_path, paragraphs[0] + ".docx")
    # 创建文档对象
    doc_obj = docx.Document()
    # 添加段落
    for paragraph in paragraphs:
        doc_obj.add_paragraph(paragraph)
    # 保存文件
    doc_obj.save(result_file_name)

def split_doc(file_input_name, file_output_path):
    """
    拆分word文档，每个篇章单独保存
    :param file_input_name: 
    :param file_output_path: 
    :return: 
    """
    docs_count = 0
    temp_doc = []
    # 获取输入文档对象
    doc_obj = docx.Document(file_input_name)
    lenDoc = len(doc_obj.paragraphs)
    print(f"总共{lenDoc}个段落" )

    for paragraph in doc_obj.paragraphs:
        # 开始新篇章
        if paragraph.style.name.startswith('Title') and len(temp_doc)!=0:
            # todo 写入文件
            # todo 清空temp_doc
            
            write_doc(temp_doc, file_output_path)
            docs_count +=1
            write_txt(temp_doc, file_output_path, docs_count)
            temp_doc = []
            
        temp_doc.append(paragraph.text)
        
    if len(temp_doc)!=0:
        write_doc(temp_doc, file_output_path)
        docs_count +=1
        write_txt(temp_doc, file_output_path, docs_count)
    print(f"完成文件拆分，共{docs_count}篇章")


if __name__ == '__main__':
    split_doc(FILE_INPUT, FILE_OUTPUT)

5. 总结

本文仅从一个使用场景对python-docx展开了介绍。实际上，python-docx模块还有很多其他用法，比如插入表格、写word时设置字体字号和颜色等。总之，如果日常需要经常处理word文档，那非常推荐python-docx。

往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载中国大学慕课《机器学习》（黄海广主讲）机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑
AI基础下载机器学习交流qq群955171419，加入微信群请扫码：