去除带下划线的word文档答案

Python爬虫项目 去除word文档答案

本程序可以去除下划线部分的docx，和doc格式文件的习题答案。

主要使用的库

1. docx (用于操作word文档)
2. win32com （用于将doc格式的文件转换成docx）

from docx import Document
import os
import time
import win32com.client as wc

实现

1. doc转docx 使用的为wps程序，也可以使用office 只用将

 word = wc.gencache.EnsureDispatch('kwps.application')  # 打开wps程序
 

修改为

 word = wc.gencache.EnsureDispatch('word.application')  # 打开office word程序

2. 程序原理为找到带有下划线的部分然后删除并保留出空白，因此需要避免存在除了答案，其他部分存在下划线。效果如下：

修改前

修改后

全部代码如下

# coding=utf-8
from docx import Document
import os
import time
import win32com.client as wc


def doc_to_docx(docpath):
    """
    doc转换为docx格式
    :param docpath: 文件绝对路径
    :return: 文件转换后的路径
    """
    path= os.path.split(docpath)[0]
    name=os.path.split(docpath)[1]
    docname= os.path.splitext(name)[0]
    suffix=os.path.splitext(name)[1]
    if suffix == '.doc':
        word = wc.gencache.EnsureDispatch('kwps.application')  # 打开wps程序
        doc=word.Documents.Open(docpath)

        new_docpath =os.path.join(path,name) + 'x'
        print(new_docpath)
        doc.SaveAs2(new_docpath, 12)
        doc.Close()
        word.Quit()
        return new_docpath
    elif suffix == '.docx':
        return docpath
    else:
        raise Exception


#word文档的路径
word_path = r"C:\Users\ASUS\Desktop\q.doc"

word_parent_path=os.path.split(word_path)[0]
#获取文档对象
#如果文档为doc则自动转换为docx
document = Document(doc_to_docx(word_path))
#获取文档段落的list
paragraphs = document.paragraphs
print(len(paragraphs))
#段落中包含的runs
for p in paragraphs:
    for run in p.runs:
        if run.font.underline is True:
            run.text = '          '
new_file_name=str(int(time.time()))+'.docx' #使用时间戳作为修改完的文件名
new_file_path=os.path.join(word_parent_path,new_file_name)
document.save(new_file_path)