zip直链生成网站_如何利用python提取word文档内容并进行修改生成PDF

    最近有个需求，需要在网站上增加一个功能，当管理员点击这个按钮时，程序会前往某个网站(以下简称A)以会员身份登录下载一份word(doc格式)的数据，当然，由于这是A网站提供的数据，肯定会有其水印，关键字，网站图片等，我们要做的就是讲这些内容去除掉，并加上自己的水印。

---

    先吐槽一下百度，真是百度一下，你就学废，10个答案，8个一模一样，连错别字都没改，还有两个是广告。

---

    首先，有个小知识你应该知道，当你把一份docx后缀的文件修改成.zip后缀文件时，你可以看到这份word文档的整体结构，如下图所示

    而当你进入到word目录下面，你可以看到该docx文件内部的一些样式及图片，docx文件当中的图片都保存在media目录中，而我们word文档中的所有文本内容在document.xml文件中

    如果我们只需要修改一份word文档的话，故事到这里就结束了，然鹅，我们毕竟是要做成批量自动化处理的，所以还得往下做。我们将document.xml文件以文本形式打开后，可以看到如下

    如果将其丢在浏览器当中，我们可以看到他的结构，大致如下

    插个题外话，XML是什么？官方介绍如下：XML 指可扩展标记语言(EXtensible Markup Language)。XML 是一种很像HTML的标记语言。XML 的设计宗旨是传输数据，而不是显示数据。XML 标签没有被预定义。您需要自行定义标签。XML 被设计为具有自我描述性。XML 是 W3C 的推荐标准。

    我现在面临着两种解决方案，一种是直接修改document.xml文件的内容并存入，即生成的word样式全部跟A站保持一致，仅仅是修改内容；另外一种是将XML文件的内容完全解析出来，然后生成的word样式完全由我们自己来写(之前在处理word文档中写过一些简单的word生成介绍，其实python可以做的还可以更多，例如某些文字增加外链，控制部分内容的行距，缩进，字体大小，颜色，表格内容等)。

    这两种方法不评价好坏，我只说处理方法，如果采取第一种方案，我们将xml文件使用with open打开，再在里面取出每一行的文本，并对其进行判断，如果包含A站关键词，就将其替换，这种相对简单；第二种方案是利用xml.dom.minidom的parse库来处理，代码如下：

from xml.dom.minidom import parsedomTree = parse("document.xml")# 文档根元素rootNode = domTree.documentElementt_texts = rootNode.getElementsByTagName("w:t") #所有我想要的文本内容均在w:t标签内部for t in t_texts:  print(t.childNodes[0].data) #打印出所有的文本内容

---

    大致的难点主要在上面，现在来记录一下整体的实现，由于拿到的是doc文件，我们是无法对其进行zip压缩获取结构，所以首先我们需要将其转化成docx文件(千万不要直接修改后缀！人工修改后缀名确实可以打开docx文件，但是你再进行修改后缀zip还是会报错)，这里需要用到win32com模块，需要pip安装：

from win32com import client as cli #导入模块word = cli.Dispatch("Word.Application") # 打开word应用程序base_dir = #绝对路径地址file = base_dir + "test.doc"doc = word.Documents.Open(file) #打开word文件doc.SaveAs(base_dir + "output-file.docx", 12)#另存为后缀为".docx"的文件，其中参数12指docx文件doc.Close() #关闭原来word文件word.Quit() #千万不能少，否则程序会打不开你的程序，因为你的文档一直是打开的

    然后再利用os的rename模块修改后缀名为test.zip，通过zipfile模块提取相关文件或者直接将其解压到一个文件夹内，再利用shutil模块的copy方法将document.xml文件复制出来(前面的第一种方案)，对其进行修改之后，再利用copyfile方法将原始的xml文件覆盖掉，这样docx中的文本内容都已经是我们想要的了，再去掉水印图片即可，我们可以在最外层的目录准备一张A站的水印图片，以rb格式打开，凡是在word/media目录下与其相等，统一删除掉，代码如下

import osimgs = os.listdir('.')fp = open('D:\\***\\logo.jpeg', 'rb')e = fp.read()lst = []for im in imgs:    with open(im, 'rb') as f:        im_ = f.read()        if e == im_:            lst.append(im)for x in lst:    os.remove(x)fp.close()

处理完成之后我们再以docx后缀对其重新命名，最终看到的word文档水印也已经消失了。

    至于后面如果想再生成PDF文档，增加PDF水印，就已经是很简单的操作了，当然docx2pdf 是需要进行pip安装的。

from docx2pdf import convertconvert("input.docx", "output.pdf")