python识别word文件格式 ——（专栏：基于python编写简单office阅卷程序①）

● 研二在读学生，非工科非计算机专业，故代码简陋初级勿喷，本文仅为记录和快乐分享。
○ 感谢肯定，感谢点赞收藏分享，转载请注明本页出处即可。 ____Ⓙ即刻@王昭没有君

本文仅为笔者摸索总结-欢迎订正补充交流讨论-

❤python识别word文件格式 ——（专栏：基于python编写简单office阅卷程序①）

————————

一、整体思路：

🍒1. 使用python第三方库docx识别尽可能多的word格式；（更简单方便）

• 使用 dir() 查看当级存在的属性或下级对象（不含双下划线__的）
• 使用 (.属性）试图调用查看属性，或（.对象）进入下级对象

🍒2. 将.docx转为.xml格式文件，读取标签，补充识别docx库无法识别的格式；

• 解压word.docx文件为xml文件（不止一个，有好几个文件夹）
• 找到相应的属性在xml文件中的存储标签名和层级
• 使用（层级.tag）（层级.attrib）(层级.text) 试图取出该属性

🍒3. office有个懒惰且简洁的规则是，很多默认属性和格式，若该文档中作者未修改默认格式或属性，则在xml文件中该属性或格式的标签不存在 ，则在用python抽取该格式或属性时，返回值为None或不存在，有时还会报错。例如：

• 默认字体为宋体（有的版本是宋体(标题)或宋体(正文)）
• 默认字号小三（也可能因版本不同而不同或.doc和.docx差异）
• 默认无首行缩进、默认行间距1.0倍等

而在修改了这些格式后，该属性标签会存储在.docx和.xml文件中。又不像是完全的日志文件。

————————

二、使用python库情况

此处均为编写阅卷程序用到的，若只识别word格式，并不需要以下全部：

import docx                                     # 读取word文件
import xlrd                                     # 读取excel文件,主要是获取名单和创建地址用
import openpyxl                                 # 读取/写入 excel文件,主要是记录成绩用
import os                                       # 使用文件路径等
import xml.etree.ElementTree as ET              # 读取xml文件

除此之外，在解压转为xml文件时还用到以下库：

import os										# 因笔者分开写的解压程序，解压也用到os库
import xlrd										# 因笔者分开写的解压程序，解压也用到xlrd库,主要是获取名单和创建地址用
import shutil									# 删除配置文件
import zipfile
# 解压word（.docx）、excel(.xlsx)、ppt(.pptx)文件成为.xml格式文件

————————

三、docx库识别文档结构：

• document：

  • sections：
  • parapraphs：
    • runs：

• sections和paragraphs是同级关系

• 表格和图片游离于sections和paragraphs

例如 ：

🍍1.读取文件：docx.Document ( ’ 文件地址 ’ )

file = docx.Document(r"F:\文件地址\word.docx")

🍍2.读取节们：文件.sections

sections = file.sections		# 节们
for section in sections: 		# 遍历节
	print(section.page_height) 	# 页高

（1）分节符是分割节与节的标志（未尝试过分页符，欢迎补充）；
（2）有关页面的属性基本都在sections部分里；
（3）节属性包括但不仅限于： # 使用print(dir(section)) 、print(dir(sections))查看更多属性和下级对象

 - 页高 ：section.page_height
 - 页宽 ：section.page_width
 - 页面横纵 ：section.orientation
 - 装订线 ：section.gutter
 - 左边距 ：section.left_margin
 - 右边距 ：section.right_margin
 - 上边距 ：section.top_margin
 - 下边距 ：section.bottom_margin
 - 页眉：section.header 
 - 页脚 ：section.footer

✨——其中页眉： # 使用print(dir(section.header)) 查看更多属性和下级对象

 - 页眉顶端距离 ：section.header_distance
 - 页脚底端距离 ：section.footer_distance
 - 页眉内容 ：section.header.paragraphs[0].text
 - 页眉对齐 ：section.header.paragraphs[0].alignment
 - 页眉字号：section.header.paragraphs[0].runs[0].font.size
 - 页眉字体：section.header.paragraphs[0].runs[0].font.name

✨——页脚类似，但页码只能从xml文件识别。

🍍3.读取段落们：文件.paragraphs

paragraphs = file.paragraphs		# 段落们
for i in range(len(paragraphs)):  	# 遍历段落 也可以写成上面节的遍历形式，此处须为后续保留段号i，故写成这种形式。
	paragraph = paragraphs[i]
	if paragraphs[i].text !=