python处理word文档模块_$用python-docx模块读写word文档

工作中会遇到需要读取一个有几百页的word文档并从中整理出一些信息的需求，比如产品的API文档一般是word格式的。几百页的文档，如果手工一个个去处理，几乎是不可能的事情。这时就要找一个库写脚本去实现了，而本文要讲的python-docx库就能满足这个需求。

安装

pip install python-docx

写docx文件

示例代码：

# coding:utf-8

# 写word文档文件

import sys

from docx import Document

from docx.shared import Inches

def main():

reload(sys)

sys.setdefaultencoding('utf-8')

# 创建文档对象

document = Document()

# 设置文档标题，中文要用unicode字符串

document.add_heading(u'我的一个新文档',0)

# 往文档中添加段落

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

# 添加一级标题

document.add_heading(u'一级标题, level = 1',level = 1)

document.add_paragraph('Intense quote',style = 'IntenseQuote')

# 添加无序列表

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')

# 添加图片，并指定宽度

document.add_picture('e:/docs/pic.png',width = Inches(1.25))

# 添加表格: 1行3列

table = document.add_table(rows = 1,cols = 3)

# 获取第一行的单元格列表对象

hdr_cells = table.rows[0].cells

# 为每一个单元格赋值

# 注：值都要为字符串类型

hdr_cells[0].text = 'Name'

hdr_cells[1].text = 'Age'

hdr_cells[2].text = 'Tel'

# 为表格添加一行

new_cells = table.add_row().cells

new_cells[0].text = 'Tom'

new_cells[1].text = '19'

new_cells[2].text = '12345678'

# 添加分页符

document.add_page_break()

# 往新的一页中添加段落

p = document.add_paragraph('This is a paragraph in new page.')

# 保存文档

document.save('e:/docs/demo1.docx')

if __name__ == '__main__':

main()

执行以上代码会在'e:/docs/'路径下产生一个demo1.docx文件，其内容如下：

读docx文件

示例代码：

# coding:utf-8

# 读取已有的word文档

import sys

from docx import Document

def main():

reload(sys)

sys.setdefaultencoding('utf-8')

# 创建文档对象

document = Document('e:/docs/demo2.docx')

# 读取文档中所有的段落列表

ps = document.paragraphs

# 每个段落有两个属性：style和text

ps_detail = [(x.text,x.style.name) for x in ps]

with open('out.tmp','w+') as fout:

fout.write('')

# 读取段落并写入一个文件

with open('out.tmp','a+') as fout:

for p in ps_detail:

fout.write(p[0] + '\t' + p[1] + '\n\n')

# 读取文档中的所有段落的列表

tables = document.tables

# 遍历table，并将所有单元格内容写入文件中

with open('out.tmp','a+') as fout:

for table in tables:

for row in table.rows:

for cell in row.cells:

fout.write(cell.text + '\t')

fout.write('\n')

if __name__ == '__main__':

main()

假如在'e:/docs/'路径下有一个demo2.docx文档，其内如如下：

执行上面脚本后，输出的out.tmp文件的内容如下：

注意事项

如果段落中是有超链接的，那么段落对象是读取不出来超链接的文本的，需要把超链接先转换成普通文本，方法：全选word文档的所有内容，按快捷键Ctrl+Shift+F9即可。

遇到的问题

用pyinstaller打包时的一个问题

用pyinstaller工具（用法详见：python打包工具pyinstaller的用法）把使用到python-docx库的脚本打包成exe可执行文件后，双击运行生成的exe文件，报错：

docx.opc.exceptions.PackageNotFoundError: Package not found at 'C:\Users\ADMINI~1.PC-\AppData\Local\Temp\_MEI49~1\docx\templates\default.docx'

经过在stackoverflow上搜索，发现有人遇到过类似的问题（问题链接：cx_freeze and docx - problems when freezing），经过尝试，该问题的第二个回答可以解决这个问题：

I had the same problem and managed to get around it by doing the following. First, I located the default.docx file in the site-packages. Then, I copied it in the same directory as my .py file. I also start the .docx file with Document() which has a docx=... flag, to which I assigned the value: os.path.join(os.getcwd(), 'default.docx') and now it looks like doc = Document(docx=os.path.join(os.getcwd(), 'default.docx')). The final step was to include the file in the freezing process. Et voilà! So far I have no problem.

大概的解决步骤是这样的：

找到python-docx包安装路径下的一个名为default.docx的文件，我是通过everything这个强大的搜索工具全局搜索找到这个文件的，它在我本地所在的路径是：E:\code\env\.env\Lib\site-packages\docx\templates

把找到的default.docx文件复制到我的py脚本文件所在的目录下。

修改脚本中创建Document对象的方式：

从原来的创建方式：

document = Document()

修改为：

import os

document = Document(docx=os.path.join(os.getcwd(), 'default.docx'))

再次用pyinstaller工具打包脚本为exe文件

把default.docx文件复制到与生成的exe文件相同的路径下，再次运行exe文件，顺利运行通过，没有再出现之前的报错，问题得到解决。