最近手头有一个需求是对word文档内容进行判断,搜索到一个包感觉不错,简单记录一下关键操作:
基本上常用的功能都在里面了,我的需求是找到关键内容进行判断,因此这个包对于我来说够用。
官方文档上支持3种安装方式,使用最常见的一种进行即可。
pip install python-docx
环境支持:
由于Word文档是二进制的文档,因此创建和读取所使用的方法有一些差别。几个关键的对象和等级区别:
最顶层是Document对象,其代表整个文档; block-level(块等级),段落是常见的块等级,换行符结尾算一个段落,表格、图片和标题均属于块对象;对于块对象属性,常见有对齐(alignment)、缩进(indent)以及行间距(space)等等; inline-level(内联等级),其属于块等级中,run是常见的内联等级,一个块对象可由多个run组成,特别是通过run可由设置不同属性样式;文字、句子、段落均可作为内联对象;对于内联对象属性,常见有字体、大小、对齐以及颜色等等
from docx import Document
document = Document()
# 写一个段落
paragraph = document.add_paragraph('写一个新的段落')
prior_paragraph = paragraph.insert_paragraph_before('在上一个段落前写一点内容')
# 添加标题,默认是标题1
document.add_heading('这是标题')
document.add_heading('标题2', level=2)
# 添加分页符
document.add_page_break()
表格操作
# 添加一个表,通过table.cell()来访问其中的信息
table = document.add_table(rows=2, cols=2)
# 逐个添加内容
cell = table.cell(0, 1)
cell.text = 'parrot, possibly dead'
row = table.rows[1]
row.cells[0].text = 'Foo bar to you.'
heading_cells[0].text = 'Qty'
# 支持迭代,并逐行添加
items = (
(7, '1024', 'Plush kittens'),
(3, '2042', 'Furbees'),
(1, '1288', 'French Poodle Collars, Deluxe'),
)
# 给每项添加行数据
for item in items:
cells = table.add_row().cells
图片插入
from docx.shared import Inches
document.add_picture('测试图.png', width=Inches(1.0))
通常一个300dpi的300x300像素的图片大小是1英寸,若使用cm可以通过以下表示进行计算width = Inches(3) /thing_count
修改字体等格式
paragraph = document.add_paragraph('文档')
run = paragraph.add_run('加粗')
run.bold = True
paragraph.add_run('一下')
代码所展示的内容为 「文档加粗一下」,个人感觉还是很麻烦的,因此这边就不进行下去了。有挺多相关的文档可以查阅。
from docx import Document
document = Document()
document.save('测试.docx')
document.save('新文档.docx')
注意:这个方法支持Word 2007及以后的版本;Word 2003及更早期的.doc文件无法使用
获取word文档中某一张表格记录的内容:
! pip install python-docx
import os
import re
import pandas as pd
from docx import Document
from docx.shared import Inches
os.chdir(r'C:\Users\DRP\Desktop')
document = Document('demo.docx')
tables = document.tables
res=[]
#docx库不支持doc格式
def read_table(docpath:str,n:int):
'''docpath->word文件路径
n->要读取文件中的第几个表格。从0开始
返回表格数据的列表
'''
global res
doc=Document(docpath)
tb=doc.tables[n]
for i in range(4,len(tb.rows)):
data=[]
row_cells=tb.rows[i].cells
for cell in row_cells:
data.append(cell.text)
print(data)
res.append(data)
return res
#获取文件中的第4个表格
table = tables[3]
for i in range(1, len(table.rows)): #从表格第二行开始循环读取表格数据
idNum = table.cell(i,0).text #序号
companyName = table.cell(i,1).text #读取第二列
print(companyName)
这样就可以获得表格中关键的内容了,后续即可以存入列表或者字典,或者对关键字进行检查。该方法适用于批量或者流程化提取、校验word文档内容。
参考资料
官方文档:https://python-docx.readthedocs.io/en/latest/index.html
中文版:https://www.zybuluo.com/belia/note/1303813
KAI-Python操作docx文档 :https://www.bioinfo-scrounger.com/archives/693/