一.docx模塊
Python可以利用python-docx模塊處理word檔案，處理方式是面向物件的，也就是說python-docx模塊會把word檔案，檔案中的段落、文本、字體等都看做物件，對物件進行處理就是對word檔案的內容處理，
二.相關概念
如果需要讀取word檔案中的文字（一般來說，程式也只需要認識word檔案中的文字資訊），需要先了解python-docx模塊的幾個概念，
- Document物件，表示一個word檔案，
- Paragraph物件，表示word檔案中的一個段落
- Paragraph物件的text屬性，表示段落中的文本內容，
三.模塊的安裝和匯入
需要注意，python-docx模塊安裝需要在cmd命令列中輸入pip install python-docx，如下圖表示安裝成功（最后那句英文Successfully installed，成功地安裝完成）
注意在匯入模塊時，用的是import docx，
也真是奇了怪了，怎么安裝和匯入模塊時，很多都不用一個名字，看來是很有必要出一個python版本的模塊管理程式python-maven了，本段純屬PS，
四.讀取word文本
在了解了上面的資訊之后，就很簡單了，下面先創建一個D:\temp\word.docx檔案，并在其中輸入如下內容，
import docx
file=docx.Document(r"F:\python從入門到放棄\7\2\wenjian.docx")
print('段落:'+str(len(file.paragraphs)))
#
# for para in file.paragraphs:
# print(para.text)
for i in range(len(file.paragraphs)):
print("第"+str(i)+"段的內容是："+file.paragraphs[i].text)
import sys
from docx import Document
from docx.shared import Inches
def main():
# reload(sys)
# sys.setdefaultencoding('utf-8')
# 創建檔案物件
document = Document()
# 設定檔案標題，中文要用unicode字串
document.add_heading(u'我的一個新檔案',0)
# 往檔案中添加段落
p = document.add_paragraph('This is a paragraph having some ')
p.add_run('bold ').bold = True
p.add_run('and some ')
p.add_run('italic.').italic = True
# 添加一級標題
document.add_heading(u'一級標題, level = 1',level = 1)
document.add_paragraph('Intense quote',style = 'IntenseQuote')
# 添加無序串列
document.add_paragraph('first item in unordered list',style = 'ListBullet')
# 添加有序串列
document.add_paragraph('first item in ordered list',style = 'ListNumber')
document.add_paragraph('second item in ordered list',style = 'ListNumber')
document.add_paragraph('third item in ordered list',style = 'ListNumber')
# 添加圖片，并指定寬度
document.add_picture('cat.png',width = Inches(2.25))
# 添加表格: 1行3列
table = document.add_table(rows = 1,cols = 3)
# 獲取第一行的單元格串列物件
hdr_cells = table.rows[0].cells
# 為每一個單元格賦值
# 注：值都要為字串型別
hdr_cells[0].text = 'Name'
hdr_cells[1].text = 'Age'
hdr_cells[2].text = 'Tel'
# 為表格添加一行
new_cells = table.add_row().cells
new_cells[0].text = 'Tom'
new_cells[1].text = '19'
new_cells[2].text = '12345678'
# 添加分頁符
document.add_page_break()
# 往新的一頁中添加段落
p = document.add_paragraph('This is a paragraph in new page.')
# 保存檔案
document.save('demo1.doc')
if __name__ == '__main__':
main()
讀取表格：
import docx
doc = docx.Document('wenjian.docx')
for table in doc.tables: # 遍歷所有表格
print('----table------')
for row in table.rows: # 遍歷表格的所有行
# row_str = '\t'.join([cell.text for cell in row.cells]) # 一行資料
# print row_str
for cell in row.cells:
print(cell.text, '\t',)
print() #換行
首先是用docx.Document打開對應的檔案目錄，
docx檔案的結構比較復雜，分為三層，
- Docment物件表示整個檔案；
- Docment包含了Paragraph物件的串列，Paragraph物件用來表示檔案中的段落；
- 一個Paragraph物件包含Run物件的串列，
因此p.text會列印出整個的文本檔案，而用doc.tables來遍歷所有的表格，并且對每個表格通過遍歷行，列的方式來得到所有的內容，
但是在運行結果中并沒有找到我們插入的檔案物件和圖片，text.txt檔案，這部分該如何決議呢，首先我們需要先來認識下docx檔案的格式組成：
-
docx是Microsoft Office2007之后版本使用的，用新的基于XML的壓縮檔案格式取代了其目前專有的默認檔案格式，在傳統的檔案名擴展名后面添加了字母“x”（即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”），
-
docx格式的檔案本質上是一個ZIP檔案，將一個docx檔案的后綴改為ZIP后是可以用解壓工具打開或是解壓的，事實上，Word2007的基本檔案就是ZIP格式的，他可以算作是docx檔案的容器，
-
docx 格式檔案的主要內容是保存為XML格式的，但檔案并非直接保存于磁盤，它是保存在一個ZIP檔案中，然后取擴展名為docx，將.docx 格式的檔案后綴改為ZIP后解壓, 可以看到解壓出來的檔案夾中有word這樣一個檔案夾，它包含了Word檔案的大部分內容，而其中的document.xml檔案則包含了檔案的主要文本內容
從上面的檔案我們可以了解到docx檔案實際上是由XML檔案打包組成的，那么我們要得到其中所有的部分，可以用ZIP解壓的方式來得到所有的部件，
我們先試下看是否可以
1 將docx檔案改成ZIP的后綴
2 解壓檔案
解壓之后得到如下幾個檔案
點開word檔案夾：有如下的檔案夾，document.xml就是描述文本物件的檔案
其中embeddings檔案中就是我們插入的文本物件text.txt. 是一個bin檔案
Media檔案中就是存盤的圖片：
我們通過手動的方式將插入的文本以及圖片決議出來，那么通過代碼也是同樣可以決議的，代碼如下，
os.chdir(r'E:\py_prj') #首先改變目錄到檔案的目錄
os.rename('test.docx','test.ZIP') # 重命名為zip檔案
f=zipfile.ZipFile('test.zip','r') #進行解壓
for file in f.namelist():
f.extract(file)
file=open(r'E:\py_prj\word\embeddings\oleObject1.bin','rb').read() #進入檔案路徑，讀取二進制檔案，
for f in file:
print (f)
通過上面的方式，就可以將docx中插入的檔案以及圖片全部決議出來，
具體docx的寫的方式可以參考官方檔案的介紹
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/541186.html
標籤：其他
上一篇：python3實作字串的全排列的方法(無重復字符)兩種解決方法
下一篇：FPGA：乒乓球比賽模擬機的設計