python处理word的库_pyhton-docx库解析word文档

最近需要做支出的统计，需要解析供应商的交易账单，账单格式有word，也有excel格式，excel格式百度资料比较多，我用的xlrd模块进行解析入数据库，还算比较顺利，但是解析word格式的python模块，资料相对较少，大多数是利用win32com进行解析，但看名字好像是windows下才能使用，而我需要在linux平台操作word。最后找到了pyhton-docx，打算尝试下这个模块。

1.利用pip安装pyhton-docx

安装过程会报错，从报错信息来看应该是安装lxml的时候出错，报错信息：make sure the development packages of libxml2 and libxslt are installed

解决办法：http://blog.csdn.net/azhao_dn/article/details/7501432

原因是少安装了libxml2、libxslt、libxslt-devel三个包，yum安装即可

写入word文档：

#coding=utf-8

from docx import Document

from docx.shared import Pt

from docx.shared import Inches

from docx.oxml.ns import qn

#打开文档

document = Document()

#加入不同等级的标题

document.add_heading(u'MS WORD写入测试',0)

document.add_heading(u'一级标题',1)

document.add_heading(u'二级标题',2)

#添加文本

paragraph = document.add_paragraph(u'我们在做文本测试！')

#设置字号

run = paragraph.add_run(u'设置字号、')

run.font.size = Pt(24)

#设置字体

run = paragraph.add_run('Set Font,')

run.font.name = 'Consolas'

#设置中文字体

run = paragraph.add_run(u'设置中文字体、')

run.font.name=u'宋体'

r = run._element

r.rPr.rFonts.set(qn('w:eastAsia'), u'宋体')

#设置斜体

run = paragraph.add_run(u'斜体、')

run.italic = True

#设置粗体

run = paragraph.add_run(u'粗体').bold = True

#增加引用

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

#增加无序列表

document.add_paragraph(

u'无序列表元素1', style='List Bullet'

)

document.add_paragraph(

u'无序列表元素2', style='List Bullet'

)

#增加有序列表

document.add_paragraph(

u'有序列表元素1', style='List Number'

)

document.add_paragraph(

u'有序列表元素2', style='List Number'

)

#增加图像(此处用到图像image.bmp，请自行添加脚本所在目录中)

document.add_picture('image.bmp', width=Inches(1.25))

#增加表格

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

hdr_cells = table.rows[0].cells

hdr_cells[0].text = 'Name'

hdr_cells[1].text = 'Id'

hdr_cells[2].text = 'Desc'

#再增加3行表格元素

for i in xrange(3):

row_cells = table.add_row().cells

row_cells[0].text = 'test'+str(i)

row_cells[1].text = str(i)

row_cells[2].text = 'desc'+str(i)

#增加分页

document.add_page_break()

#保存文件

document.save(u'测试.docx')

读取word文档：

#coding=utf-8

from docx import Document

#打开文档

document = Document(u'测试.docx')

#读取每段资料

l = [ paragraph.text.encode('gb2312') for paragraph in document.paragraphs];

#输出并观察结果，也可以通过其他手段处理文本即可

for i in l:

print i

#读取表格材料，并输出结果

tables = [table for table in document.tables];

for table in tables:

for row in table.rows:

for cell in row.cells:

print cell.text.encode('gb2312'),'\t',

print

print '\n'

3.实际解析自己的doc文档时候，由于格式 会报错：

docx.opc.exceptions.PackageNotFoundError: Package not found

看样子应该我的word文档格式有问题，导致识别不了，在linux平台vim打开，看起来像是xml文档。

我在windows下用word打开，然后另存为word2003 doc文档，结果还是报错。

相关文档：http://stackoverflow.com/questions/25601531/python-docx-package-not-found

然后我再另存为word docx格式的文档,问题解决，看来只能解析docx格式的文档，word 2003的 doc格式并不支持。

那如何利用python将doc格式自动转换为docx格式？？

这个问题只有win32com能解决了吧，linux平台没有好方法了，只能先手动转换了，心累