Word就是那种很难用, 很丑陋, 但是你不得不用的东西, 在这一点上, 它甚至比Windows更甚。 Windows可以用macOS + PlayStation进行1000%的替代。 但是Office不能够, 并不是没有比Office更好的东西, 这是一个历史残留问题, 就像牙膏厂CPU里面, 那些莫名其妙的字段一样。 总之, 这里通过使用一些库, Python的python-docx, C#的pdfbox和npoi, 来让对Word和PDF的处理变得更加自动化一些。 最后, 如果你想设计一些定制化的功能, 还是希望可以从官方文档进行学习。
好了, 不多说废话了. 直接看从Word获取内容. 这里可以用C#的NPOI和python-docx实现.
Apache POI是Apache软件基金会的开放源码库, POI提供API给Java程序对Microsoft Office格式文件读和写的功能. .NET的开发人员则可以利用NPOI(POI for .NET)来访问POI的功能。 其实, 最近这几年, 巨硬通过推出像。NET Core这样的跨平台应用程序开发框架, 已经让C#有了一点起死回生的迹象,, 当然了, 甚至在硬件上推出了Duo这样的Surface安卓设备。虽然之前写Unity游戏的时候用过一些C#, 但是这次是我第一次从软件开发的角度使用C#, 不得不说, NuGet令我印象深刻, 很好用。 这里假设你已经装了vs2019或者旧一点的版本, 但是注意, .NET Framework的程序依旧只能在Windows进行开发, 因为我暂时还没有摸像Mono这样的环境, 如果你感兴趣, 可以试下。
brew install
, linux的apt-get install
和python的pip3 install
多了两步, 但是我已经很满意了, 比什么找DLL, 拷贝DLL之类的, 要显得9102的多.其实NPOI非常强大, 足以用来做和Word有关的一切了, 但是, 这里只演示一下提取Word中的内容, 因为后面有python-docx这样更加轻巧的库, 不需要vs不需要Windows, 你就可以处理docx类型的文件了。
源码如下:
using NPOI.XWPF.UserModel;
using System.IO;
using System.Text;
namespace getWord
{
class Program
{
static void Main(string[] args)
{
string in_path = System.Console.ReadLine();
string out_path = System.Console.ReadLine();
Stream stream = File.OpenRead(in_path);
XWPFDocument doc = new XWPFDocument(stream);
string text = "";
string tmp_text;
foreach (var para in doc.Paragraphs)
{
tmp_text = para.ParagraphText;
if (tmp_text.Trim() != "")
text += tmp_text + "\n";
}
StreamWriter swPdfChange = new StreamWriter(out_path, false, Encoding.GetEncoding("gb2312"));
swPdfChange.Write(text);
swPdfChange.Close();
}
}
}
我从控制台读取了输入输出路径, 然后循环读取Word内容写入缓存, 最后转码成gb2312到输出文件. 最终, 我还是希望你去NPOI官网看看.
如果你就这样直接生成Release版本, 就太不专业了。至少你应该把DLL打包进EXE或DLL。 你可以把DLL作为资源文件进行打包, 但是这样不优雅, 很土。 同样, 我们用9102年应该用的方法。 在NuGet搜索Costura.Fody, 安装即可。 这样的话, 编译成Release版本的时候, 直接就打包成一个EXE文件了。
好了, 到了Python, 一切都舒服了, 忘记刚才为了写C#安装的好几个G甚至几十个G的vs吧, 毕竟Gates说过'640K is more memory than anyone will ever need.' 现在你只需要:
pip3 install python-docx
而且, 官方文档写得很不错, 可用于学习。
import docx
doc = docx.Document('./t.docx')
doc_text = ''
doc_table_text = ''
for paragraph in doc.paragraphs:
doc_text += paragraph.text + '\n'
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
doc_table_text += cell.text + '\n'
with open('./tt.txt', 'w') as f:
f.write(doc_text)
f.write(doc_table_text)
# doc.save ('./tt.docx')
代码其实很好懂, 关于python-docx的一些细节操作, 除了官方文档, 我在后面的自动化生成Word里面也会分享一些我的处理经验, 当然, 更多的是处理时候的坑。
同样, 这次用的是C#的库, 名为Pdfbox. 其实呢, 这个Pdfbox是个Java库. 是由Apache PDFBox团队为.NET生成的。
using org.apache.pdfbox.pdmodel;
using org.apache.pdfbox.util;
using System.IO;
using System.Text;
namespace getPDFCon
{
class Program
{
static void Main(string[] args)
{
string in_path = System.Console.ReadLine();
string out_path = System.Console.ReadLine();
PDDocument doc = PDDocument.load(in_path);
PDFTextStripper pdfStripper = new PDFTextStripper();
string text = pdfStripper.getText(doc);
// Console.WriteLine(Utf8ToGB2312(text));
// Console.ReadKey();
StreamWriter swPdfChange = new StreamWriter(out_path, false, Encoding.GetEncoding("gb2312"));
swPdfChange.Write(text);
swPdfChange.Close();
}
}
}
和之前读取Word几乎是一样的思路, 不多说了。
这里我来细说一下, python-docx的一些操作. 从样式修改, 表格合并处理这些难点来谈. 后续也会逐步更新新遇到的坑。
首先, 你可以设置全局字体。
doc.styles['Normal'].font.name = u'宋体'
doc.styles['Normal'].font.size = Pt (9)
doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋体')
注意, 如果是汉字, 第三行是必须要加的, 否则不生效. 第二行是设置字体大小, 你需要用
from docx.shared import Pt
进行导包. 当然, 你直接导入整个docx包就完事了。
如果你想只修改某段内容的字体, 不影响全局, 之前的方案就不行。
p = doc.add_paragraph ()
font = p.add_run ('标题').font
font.bold = True
font.size = Pt (14)
p.paragraph_format.alignment = WD_ALIGN_PARAGRAPH.CENTER
这里看到一个p.add_run, 这是给当前Paragraph实例添加的Run实例, 也就是运行时候的一些设置, 只对当前Paragraph实例生效. 来看下和直接设置Paragraph实例属性的比较。
doc = Document ()
p = doc.add_paragraph ()
font = p.add_run ('标题1').font
font.bold = True
font.size = Pt (14)
p.paragraph_format.alignment = WD_ALIGN_PARAGRAPH.CENTER
p2 = doc.add_paragraph ()
p2.text = ('标题2')
p2.style.font.size = Pt (20)
p3 = doc.add_paragraph ()
p3.text = ('标题3')
p3.style.font.size = Pt (40)
doc.save ('a.docx')
这段代码在想象中应该是段落内容越来越大, 对吧, 但是很遗憾, 对于标题3的字体设置会覆盖标题2的字体设置, 但是通过run对象进行设置的标题1就不会受到影响, 来看图说话:
这样一来, 想要很好处理某段内容的风格, 就必须使用run. 否则就会关联其他. 修改下代码, 都设置成add_run, 看看是否如此:
很好, 这才是想要的效果. 同理, 在表格内容里面也是如此, 不多赘述。
但是还有一点要注意, 比如你已经通过, p.text进行文字赋值,但是, 你又用,p.add_run ('标题').font进行设置, 那么你会得到两份内容。 所以, 这里要特别注意, 如果通过样式填充, 就不用再用text字段进行赋值。
比如我现在建立一张表,尝试合并。然后你会发现,合并之后,把两份内容都保留了,如果这是你需要的,自然没有问题。 但是如果不是,你就要思考内容合并的策略,你不可能一个一个设置。 一个比较合理的策略就是用临时变量保留你要的内容,合并完成之后,将临时变量内容覆盖合并后的内容。
其实, 不论是NPOI还是python-docx, 已经是非常不错的库了, 都可以很好地帮助开发者进行自动化word的生成. 如果你不这么觉得, 我举个反例。 Microsoft.Office.Interop.Word是巨硬提供的com组件, 那么要如何使用它呢, 你要先装Windows, 再装Office, Office2013对应这个com组件的15.x版本, Office2007对应组件的12.x. 然后你写完代码, 每次运行还需要启动Word, 可以后台启动, 但终归是启动了, 所以效率非常低。