python-docx -- 读取word文档中的文本

word文档案例

需求：

1. 读取所有的段落文本，并使用字典表示每一个段落；
2. 段落字典格式如下：

{
	"type": "text",
	"content": "2. Python的程序结构",
	"runs": [{}, {}], # 每个run字典放入列表
	"page_num": 1 # 页码
}

3. 所有的段落放入一个列表中；

 

基于python-docx读取段落

• 未读取章节的编号；

# 遍历所有的段落
paragraphs_list = []
for paragraph in docx.paragraphs:
    temp = {}
    temp["type"] = "text"
    temp["content"] = paragraph.text # 未读出章节编号  paragraph.style 获取
    temp["runs"] = []
    for run in paragraph.runs:
        run_dict = {}
        run_dict["content"] = run.text
        run_dict["family"] = run.font.name
        run_dict["bold"] = run.font.bold
        run_dict["italic"] = run.font.italic
        run_dict["size"] = run.font.size
        run_dict["color"] = run.font.color.rgb # ColorFormat.rgb
        run_dict["underline"] = run.font.underline
        temp["runs"].append(run_dict)

    # 统计页面id
    temp["page_num"] = 1 # ?
    paragraphs_list.append(temp)

print("all:", paragraphs_list)

深入理解docx处理的段落：
word docx文件本质是一个压缩文件，修改后缀名为.zip，即可解压得到对应的xml文件；
基于底层的 lxml 对象：

• CT_R， Run 文本对象，对应lxml标签 <w:r>，内部包含：
  • <w:rPr> run属性
  • <w:t> 文本标签
  • obj.text
• CT_RPr，Run对象的属性； 对应lxml标签 <w:rPr>
• CT_P，段落对象，对应lxml标签 <w:p>，内部包含：
  • <w:pPr>
    • <w:pStyle>
    • <w:numPr>
    • <w:rPr>
  • <w:r> 可有多个run标签属性；
• CT_PPr， 段落的属性
• CT_Tbl，表格对象
• CT_NumPr 对应lxml标签<w:numPr>, 最终对象（不再迭代）
  • obj.ilvl,
  • obj.numId,
  • obj.tag
• CT_String 对应lxml标签<w:pStyle>， 最终对象（不再迭代）
  • obj.tag, {http://schemas.openxmlformats.org/wordprocessingml/2006/main}pStyle
  • obj.val, “a7” 与.values（）函数类似；
  • obj.text 获取为None;
• CT_SectPr，图片
  

from docx import Document


docx = Document("xxx.docx")
for i in docx.element.body: # lxml元素
	print(i)

 

基于pywin32读取段落

# pip install pywin32
from win32com.client import Dispatch


# 打开word应用程序
word = Dispatch("Word.Application")
word.Visible = 0 # 界面不可见
word.DisplayAlerts = 0 #

# 打开word文档
docx = word.Documents.Open("C:/Users/lenovo/Desktop/cc/lauf_chapter.docx", ReadOnly=True)
# 遍历所有的段落
paras_list = []
for paragraph in docx.Paragraphs:
    temp = {}
    temp["type"] = "text"

    # 获取文本内容
    if paragraph.Range.ListFormat.ListString:
        content = paragraph.Range.ListFormat.ListString + " " + paragraph.Range.Text.replace("\r", "")
    else:
        content = paragraph.Range.Text.replace("\r", "")  # 注意Range
    if content:
        temp["content"] = content

    # 文本属性  一行的样式必须保证一致 才可以
    font = paragraph.Range.Font  # font.Name 字体 .Bold .Italic .Size .Underline
    temp["attr"] = {
        "family": font.Name,
        "bold": font.Bold,
        "italic": font.Italic,
        "size": font.Size,
        "underline": font.Underline
    }

    # 段落中表格的数量
    if paragraph.Range.Tables.Count: #
        # 表格： 1  ['章节序号\r\x07']  每一个段落对应一个表格的单元格
        # 表格： 1  ['知识点\r\x07']
        # 表格： 1  ['掌握程度\r\x07']
        # 表格： 1  ['所属python级别\r\x07']
        print("表格：", paragraph.Range.Tables.Count, [content])
        for table in paragraph.Range.Tables:
            print(table.Range.Rows.Count, table.Range.Columns.Count)
    # 段落中图片的数量
    if paragraph.Range.InlineShapes.Count:
        print("图片：", paragraph.Range.InlineShapes.Count)

    # 'ListParagraphs', 'ListStyle',

    paras_list.append(temp)

print("result:", paras_list)

docx.Close(False)
word.Quit()

 

基于pywin32读取表格

# pip install pywin32
from win32com.client import Dispatch


# 打开 word应用程序
word = Dispatch("Word.Application")
# word界面不可见
word.Visible = 0
word.DisplayAlerts = 0

# 打开word文档，必须是一个绝对路径
docx = word.Documents.Open("C:/Users/lenovo/Desktop/cc/lauf_chapter.docx", ReadOnly=True)


table_data = []
# 遍历文档中的表格
for table in docx.Tables:
    # 获取行数、列数
    row_num = table.Rows.Count
    col_num = table.Columns.Count
    # 初始化表格数据
    cur_table = [["" for j in range(col_num)] for i in range(row_num)]
    # 遍历单元格
    for cell in table.Range.Cells:  # 无内容的cell会被自动删除
        # cell.RowIndex, cell.ColumnIndex 均从1开始
        row_idx = cell.RowIndex - 1
        col_idx = cell.ColumnIndex - 1
        # 获取cell内容
        cur_table[row_idx][col_idx] = cell.Range.Text.strip().replace("\r", "").replace("\x07", "") # \x07 水平制表符号
    table_data.append(cur_table)

print("一个表格的数据：", table_data[0])
# 关闭word文档
docx.Close(False)
# 退出word应用程序
word.Quit()

结果：
注意：
word中的 \x07 表示水平制表符；
table.Rows 所有的单独行，迭代时不能有合并的行，否则报错；
table.Columns 所有单独列；
table.Cell 根据rid,cid 获取单元格对象;
table.Range 表格的范围对象
table.Range.Start 开始
table.Range.End 结束
table.Range.Cells 所有单元格，内容为空的单元格会被自动删除；