读取docx内容

#!/usr/bin/python

# -*- coding: UTF-8 -*-

from docx import Document

import os, sys

from functools import cache

def get_paragraphs(docx_path):

    #打开word文档

    document = Document(docx_path)

   

    #获取所有段落

    all_paragraphs = document.paragraphs

   

    paragraph_texts = []

    # 循环读取列表

    for paragraph in all_paragraphs:

        paragraph_texts.append(paragraph.text)

   

    return paragraph_texts

 

def get_table_text(docx_path):

    """

        获取Word文档中的表格内容            

    """

    result = []

    document = Document(docx_path) #读入文件

    tables = document.tables #获取Word文件中的表格集

    for table in tables: # 遍历每个表格

        table_content = []

        for row in table.rows: # 从表格第一行开始循环读取表格数据

            row_content = get_cell_content(row.cells)

            table_content.append(row_content)

        result.append(table_content)

               

    return result

 

def get_cell_content(cells):

    """

        获取每一行中每一列的内容

    """

    row_content = []

    for cell in cells: # 遍历每一行的每一个单元格

        # cell数量为表格最大列数+1，故对于较少列的行存在重复值，需去重

        if cell.text and cell.text not in row_content:

            row_content.append(cell.text)

       

    return row_content

 

def flat_list(lst,resultlt = []) -> list:             # 递归函数解决列表多重嵌套问题

    for item in lst:

        if isinstance(item, list):

            flat_list(item,resultlt)

        else:

            resultlt.append(item)

       

    return resultlt

 

if __name__ == "__main__":

    # 打开文件

    chat = ""

    paragraph_texts = get_paragraphs("docx_path")                  # 获取非表格数据

    paragraph_texts = list(filter(None,paragraph_texts))                    # 递归函数解决列表多重嵌套问题

   

    listz = paragraph_texts

    paragraph_texts = get_table_text("docx_path")                  # 获取表格数据

    lists = flat_list(paragraph_texts)                                      # 递归函数解决列表多重嵌套问题

    # print(listz + lists)

    for x in (listz + lists):

        chat = chat + x + " "

    print(chat)