使用后羿采集器、Python操作word

十六周内容笔记

day46

使用后羿采集器的流程图模式对京东进行爬取
创建任务

在搜索框输入要输入的内容并确定


开始采集数据（只需要点击想要的商品元素等待工具自动识别就可以，这里我选择的是商品名称）

还有操作提示，非常的人性化

这里的分页是没有正确的，需要滑动到下面才可以识别到正确的分页


按照提示操作

他会为你自动生成流程图，非常的智能快捷，现在就可以开始采集了

这个工具简单智能，不能说强大但是确实很智能哈哈

day47

01-python操作word文档

python-docx 模块安装：pip install python-docx

# Doucument：使用Document方法创建word文档
# word文档后缀名：docx、doc
# docx后缀名本是word的后缀名，wps创建的word的后缀名为doc
from docx import Document

# 空白的word
doc_1 = Document()
# add_heading()：添加标题
# level() 一共0~9十个等级，数值越小，表示字号越大
doc_1.add_heading('唐诗三百首', level=0)
doc_1.add_heading('唐诗三百首', level=1)
doc_1.add_heading('唐诗三百首', level=2)


doc_1.add_heading('比赛背景', level=1)
content = '     古诗大赛是一项弘扬中华文化、传承经典的比赛活动，它通过让参赛者撰写中文古诗，' \
          '培养他们对经典诗歌的欣赏和理解能力，同时也拓展了他们的创作视野和写作技能。' \
          '古诗大赛旨在鼓励青少年学习中华经典诗歌，传承中华文化。' \
          '因此，比赛的主办方一般会选择一位著名的文学专家或作家作为评委，根据古诗的语言表达与技巧'

# add_paragraph()：添加段落
doc_1.add_paragraph(content)

# 添加一首古诗：《忘庐山瀑布》
doc_1.add_heading('望庐山瀑布', level=1)

p_1 = doc_1.add_paragraph('日照香炉生紫烟， \n遥看瀑布挂前川。\n')

# insert_paragraph_before()：在*段落之前插入内容
p_1.insert_paragraph_before('唐 李白')

# add_run：继续写
p_1.add_run('飞流直下三千尺，\n 疑似银河落九川。')

# 分页符：add_page_break()
doc_1.add_page_break()

# add_table：添加表格
table_1 = doc_1.add_table(rows=1, cols=2)
# 下标为0的第一行
# cells：获取所有单元格
th = table_1.rows[0].cells
th[0].text = '作者'
th[1].text = '诗词'

data = [
    ['李白', '将进酒'],
    ['李白', '望月'],
    ['苏轼', '江城子 密州出猎']
]
# 添加行：add_row()
for i in data:
    row_cell = table_1.add_row().cells
    row_cell[0].text = i[0]
    row_cell[1].text = i[1]

# 添加图片：add_picture
from docx.shared import Inches, Cm, Pt
# Inches(英寸)/Cm(厘米)/Pt(磅) --> word 文档支持这三种单位
# 添加图片时，支持调节宽高，但是不建议同时给宽高加数值，单独给宽或者高添加尺寸，
# 另一个没有添加尺寸的会按照比例自动缩放

doc_1.add_picture('./背景图1.jpg', width=Inches(6.0))

doc_1.save('./word 文档1.doc')
doc_1.save('./word 文档1.docx')

word 文档的页面结构：段落、文字块、标题、图片、表格

02-python修改文档字体

from docx import Document

doc_2 = Document()


# 添加一个空白段落
p_1 = doc_2.add_paragraph()
# 修改字体是否加粗（bold），是否倾斜（italic）
p_1.add_run('静夜思').bold = True
p_1.add_run('静夜思').italic = True

a = p_1.add_run('唐 李白')
a.bold = True
a.italic = True

# docx.shared -> 样式模块
from docx.shared import Pt, RGBColor
a.font.size = Pt(20)
# 修改字的颜色：RGBColor -> RGB -> 三原色（红绿蓝）
# RGB也被叫做加色模式，通过R、G、B的辐射量，可描述出任何一种颜色
# 计算机中定义的RGB分别又0-255一共256个等级，0表示没有刺激量，255表示刺激量最大
# RGB共同为0时构成了黑色，共同为255时，刺激量达到最大，为白光。
a.font.color.rgb = RGBColor(124, 252, 0)


# ----以下代码都是在声明都是有了”宋体“这个字体----
# 字体样式的设置：宋体、楷体、隶书

# WD_STYLE_TYPE -> word_style_type
from docx.enum.style import WD_STYLE_TYPE
# 设置宋体样式
# 将宋体添加到style_font中
style_font = doc_2.styles.add_style('楷体', WD_STYLE_TYPE.CHARACTER)
# 声明这个字体叫做宋体
style_font.font.name = '楷体'
from docx.oxml.ns import qn
# w：eastAsia --> w表示world、eastAsia代表东亚
doc_2.styles['楷体']._element.rPr.rFonts.set(qn('w:eastAsia'), '楷体')
# ------------------------------------------
p_1.add_run('静夜思', style='楷体')

doc_2.save('字体配置.docx')

day48

01-字体样式的修改

from docx import Document


doc = Document()

p_1 = doc.add_paragraph('尊敬的 xxx：')

# WD_STYLE_TYPE：word文档的样式类型
from docx.enum.style import WD_STYLE_TYPE
# qn：自定义字体
from docx.oxml.ns import qn


def font_setting(font_name):
    # 先把字体加进来
    style_font = doc.styles.add_style(font_name, WD_STYLE_TYPE.CHARACTER)
    # 再去起名字
    style_font.font.name = font_name
    # 再去声明地区
    doc.styles[font_name]._element.rPr.rFonts.set(qn('w:eastAsia'), font_name)

font_1 = '隶书'
font_setting(font_1)

p_1.add_run('您好，我们诚挚的邀请您参加xxxx 比赛', style=font_1).font.name = 'cambria'
content = p_1.add_run('您好，我们诚挚的邀请您参加xxxx 比赛', style=font_1)
content.font.name = 'calibri'

content.bold = True
# 字的样式补充
# bold：加粗
# italic：倾斜
# color：颜色
# double_strike：双删除线
# strike：删除线
# hidden：隐藏
# shadow：阴影
# underline：下划线
# subscript：下标
# superscript：上标
# all_caps：全部大写字母
content_1 = p_1.add_run('abcde')
# 方式一（部分起作用）：
content_1.underline = True
content_1.bold = True
content_1.italic = True
# 方式二（完全没作用）：
content_1.style.font.all_caps = True
# 方式三（全部起作用）：
content_1.font.all_caps = True
content_1.font.double_strike = True


doc.save('字体样式设置.docx')

02-修改字的位置

from docx import Document
# WD_PARAGRAPH_ALIGNMENT：word文档段落位置
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT

doc = Document()

title = doc.add_heading('一级标题', level=0)
# LEFT/RIGHT/CENTER --> 默认左对齐
title.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

# 首行缩进，段落行间距等等，也都有对应的操作
content = '周杰伦（Jay Chou），1979年1月18日出生于台湾省新北市，祖籍福建省泉州市永春县，' \
          '中国台湾流行乐男歌手、音乐人、演员、导演、编剧，毕业于淡江中学。'

p_1 = doc.add_paragraph(content)

# 首行缩进两个汉字，以厘米为单位，默认一个汉字 0.4 厘米
from docx.shared import Cm, Pt, Inches
# first_line_indent：首行缩进
p_1.paragraph_format.first_line_indent = Cm(0.8)
# 行间距（设置的是两行之间的间距），如果有要求，一般单位都是要求磅
# line_spacing：行间距 -> 1.5磅行间距
p_1.paragraph_format.line_spacing = 1.5
# 段后距离：1.0英寸
p_1.paragraph_format.space_after = Inches(5.0)


doc.save('字的位置.docx')

03-python中修改word的页眉页脚

from docx import Document

# 空白word文档默认只有一页
doc = Document()

# 使用sections参数获取第一页（下标0），使用header参数获取也没，使用footer参数获取页脚
Header = doc.sections[0].header
# 获取页眉的段落内容，add_run从页眉的段落内容中添加信息
Header.paragraphs[0].add_run('这是第一节的页眉')

Footer = doc.sections[0].footer
# 获取页眉的段落内容，add_run从页眉的段落内容中添加信息
Footer.paragraphs[0].add_run('这是第一节的页脚')

"""
页眉页脚，是对当前页起说明作用的，说明这一页属于文章的哪个板块，说明这一页是这个板块的第N页
论文中有摘要，摘要的页脚声明页码，1、2
论文中有正文，页脚申明1、2、3、4、5、6......
"""

# 页眉：居中：页脚中页码右对齐
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
Header.paragraphs[0].alignment = WD_PARAGRAPH_ALIGNMENT.CENTER


doc.save('页眉页脚.doc')

04-word文档中样式的对照修改

from docx import Document

doc = Document()

t = doc.add_table(rows=2, cols=3, style='LightShading-Accent1')

t_1 = doc.add_table(rows=2, cols=3, style='MediumShading2-Accent1')

p_1 = doc.add_paragraph('这是一个段落', style='ListNumber3')


doc.save('样式修改对照表使用.doc')

参考Create-List-Of-BuiltIn-Styles_DocTools文件

05-邀请信编写

编写一封挑战赛邀请信

1.要求有标题、信件内容、表格、图片

2.要求有央视的修改，标题居中，信件内容隶书（其他字体）、表格样式修改

3.页眉、页脚设置（内容随便）

4.批量生成一些人名的邀请信

5.通过邮件发送（暂不实现）

from docx import Document
from docx.shared import Inches
import datetime
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
from docx.enum.style import WD_STYLE_TYPE
from docx.oxml.ns import qn

def creat_word(user):
    # 创建一个空白word
    doc = Document()

    # 编写标题
    Title = doc.add_heading('国学达人挑战赛邀请函', level=0)
    # 设置大标题居中对齐
    Title.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

    content = f'尊敬的{user}：\n        您好，我们诚挚的邀请您参加火星电视台于' \
              '9999年99月97日举办的第108届国学达人挑战赛，' \
              '地址在火星地核，欢迎您的到来，已为您购置飞往火星的船票，请查收!'

    # 设置信件内容段落为隶书
    font_name = '隶书'
    Font_style = doc.styles.add_style(font_name, WD_STYLE_TYPE.CHARACTER)
    Font_style.font.name = font_name
    doc.styles[font_name]._element.rPr.rFonts.set(qn('w:eastAsia'), font_name)

    # 添加信件内容（段落）
    p_1 = doc.add_paragraph()
    p_1.add_run(content, style=font_name)

    # 添加表格标题
    doc.add_heading('赛程安排', level=2)
    # 时间安排表格
    data_table = doc.add_table(rows=4, cols=2, style='LightGrid')
    race_list = [
        ['时间', '安排'],
        ['9999-99-97', '开幕仪式'],
        ['9999-99-98', '对对子'],
        ['9999-99-99', '闭幕仪式']
    ]
    # enumerate同时拿到列表中元素的下标的元素本身
    for Index, Value in enumerate(race_list):
        # 向每一行的每个单元格添加元素
        data_table.rows[Index].cells[0].text = Value[0]
        data_table.rows[Index].cells[1].text = Value[1]

    # 添加奖项设置标题
    doc.add_heading('奖项设置', level=2)
    content = '一等奖一名，火星回地球船票一等座；' \
              '二等奖两名，火星回地球船票二等座；' \
              '三等奖三名，火星回地球船票无座。'
    doc.add_paragraph(content)

    # 添加船票图片
    doc.add_picture('火星船票.jpg', width=Inches(6))

    # 添加署名、日期
    name_data = f'姓名：张三\n 日期：{datetime.date.today()}'
    name = doc.add_paragraph(name_data)
    name.alignment = WD_PARAGRAPH_ALIGNMENT.RIGHT

    # 添加页眉（居中）页脚（右对齐）
    Header = doc.sections[0].header
    Header_p = Header.paragraphs[0]
    Header_p.add_run('国学达人挑战赛邀请函')
    Header_p.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

    Footer = doc.sections[0].footer
    Footer_p = Footer.paragraphs[0]
    Footer_p.add_run('第一页')
    Footer_p.alignment = WD_PARAGRAPH_ALIGNMENT.RIGHT

    # 保存
    doc.save(f'国学达人挑战赛邀请函---{user}.doc')


# 拿到人名，一次批量创建邀请函
name_list = ['小明', '小刚', '小红']
for i in name_list:
    creat_word(i)

效果实现如下

06-pdf转word

pdf2docx -> pdf转word的模块

安装：pip install pdf2docx

1.pdf2docx使用PyMuPDF从PDF中提取数据，写入word

2.PyMuPDF是里那个一个python操作PDF的模块，PyMuPDF比pypdf稍微强大一些，但是赶不上reportlib

3.并不是所有pdf都能使用pdf2docx转为word

4.有些pdf并没有采用标准的pdf格式、协议等

import os
from pdf2docx import parse
# 一般都是转换所有的pdf页面，首先选择parse
file_list = os.listdir('./')
for i in file_list:
    if i[-4:] == '.pdf':
        try:
            parse(pdf_file=i, docx_file=f'{i[:-4]}.docx')
        except Exception as err:
            print(err)
            print('转换失败')