python读取word文档并做简单的批量文档筛选

python读取word文档并做简单的批量文档筛选

最近参与了一项解析大量的word文档（试验报告形式）的工作，因为其中包含着一些对项目无意义的报告，所以要进行初步地筛选，通过查阅资料发现了python-docx这个库，抱着学习与实践结合的态度，准备记录一下。

(一）python-docx库

• 查阅官方的英文文档：python-docx文档
  python-docx is a Python library for creating and updating Microsoft Word (.docx) files.
  很直观地可以看出，这个包可以创建和更新以.docx为后缀的 MS word文件，并可以进行相关一系列的操作。
  安装：pip install python-docx (一般来说直接可以安上）
  或：pip install -i http://pypi.douban.com/simple python-docx
  或：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple python-docx
  (下面两种为使用镜像安装，最近发现用豆瓣镜像源安装第三方库基本都能安装上，感觉很方便而且速度也快，使用镜像安装需要加上-i，第二个是清华大学的镜像，应用起来也很方便，而且据说比豆瓣的镜像源还要全一些）

• docx库中的一些基本操作

1. 打开一个已有的文档

from docx import Document
document = Document(“test.docx”) 
#打开已有的test.docx文档（路径可以自己制定 XX:/LL/MM.docx）并创建对象
document.save('test.docx') #名字不同另存为 名字相同覆盖

2. 创建一个新的文档

#创建一个新的文档对象，保存为test.docx
from docx import Document
document = Document() 
document.save('test.docx')

3. 读取word文档内容（非表格和表格）

from docx import *
file = Document('test.docx')
for para in file.paragraphs:        # 遍历文档中的每个段落
    print( para.text )              # 输出每个段落的内容

for tb in file.tables:              # 遍历文档中的每个表格
    for row in tb.rows:             # 遍历每个表格中的行
        for cell in row.cells:      # 遍历一行的所有单元格
            print( cell.text )      # 输出单元格的内容
print(doc.tables[0].cell(5,5).text)