python中可以处理word文档的模块：docx模块

一.docx模块

Python可以利用python-docx模块处理word文档，处理方式是面向对象的。也就是说python-docx模块会把word文档，文档中的段落、文本、字体等都看做对象，对对象进行处理就是对word文档的内容处理。

二.相关概念

如果需要读取word文档中的文字（一般来说，程序也只需要认识word文档中的文字信息），需要先了解python-docx模块的几个概念。

• Document对象，表示一个word文档。
• Paragraph对象，表示word文档中的一个段落
• Paragraph对象的text属性，表示段落中的文本内容。

三.模块的安装和导入

需要注意，python-docx模块安装需要在cmd命令行中输入pip install python-docx，如下图表示安装成功（最后那句英文Successfully installed，成功地安装完成）

注意在导入模块时，用的是import docx。

也真是奇了怪了，怎么安装和导入模块时，很多都不用一个名字，看来是很有必要出一个python版本的模块管理程序python-maven了，本段纯属PS。

四.读取word文本

在了解了上面的信息之后，就很简单了，下面先创建一个D:\temp\word.docx文件，并在其中输入如下内容。

 import docx





file=docx.Document(r"F:\python从入门到放弃\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)+"段的内容是："+file.paragraphs[i].text) 

 import sys



from docx import Document

from docx.shared import Inches



def main():

#     reload(sys)

#     sys.setdefaultencoding('utf-8')



    # 创建文档对象

    document = Document()



    # 设置文档标题，中文要用unicode字符串

    document.add_heading(u'我的一个新文档',0)



    # 往文档中添加段落

    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



    # 添加一级标题

    document.add_heading(u'一级标题, level = 1',level = 1)

    document.add_paragraph('Intense quote',style = 'IntenseQuote')



    # 添加无序列表

    document.add_paragraph('first item in unordered list',style = 'ListBullet')



    # 添加有序列表

    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')



    # 添加图片，并指定宽度

    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)

    # 获取第一行的单元格列表对象

    hdr_cells = table.rows[0].cells

    # 为每一个单元格赋值

    # 注：值都要为字符串类型

    hdr_cells[0].text = 'Name'

    hdr_cells[1].text = 'Age'

    hdr_cells[2].text = 'Tel'

    # 为表格添加一行

    new_cells = table.add_row().cells

    new_cells[0].text = 'Tom'

    new_cells[1].text = '19'

    new_cells[2].text = '12345678'



    # 添加分页符

    document.add_page_break()



    # 往新的一页中添加段落

    p = document.add_paragraph('This is a paragraph in new page.')



    # 保存文档

    document.save('demo1.doc')



if __name__ == '__main__':

    main() 

读取表格：

 import docx



doc = docx.Document('wenjian.docx')

for table in doc.tables:  # 遍历所有表格

    print('----table------')

    for row in table.rows:  # 遍历表格的所有行

        # row_str = '\t'.join([cell.text for cell in row.cells])  # 一行数据

        # print row_str

        for cell in row.cells:

            print(cell.text, '\t',)

        print() #换行 

首先是用docx.Document打开对应的文件目录。

docx文件的结构比较复杂，分为三层，

• Docment对象表示整个文档；
• Docment包含了Paragraph对象的列表，Paragraph对象用来表示文档中的段落；
• 一个Paragraph对象包含Run对象的列表。

因此p.text会打印出整个的文本文档。而用doc.tables来遍历所有的表格。并且对每个表格通过遍历行，列的方式来得到所有的内容。

但是在运行结果中并没有找到我们插入的文件对象和图片，text.txt文档。这部分该如何解析呢。首先我们需要先来认识下docx文档的格式组成：

• docx是Microsoft Office2007之后版本使用的，用新的基于XML的压缩文件格式取代了其目前专有的默认文件格式，在传统的文件名扩展名后面添加了字母“x”（即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”）。

• docx格式的文件本质上是一个ZIP文件。将一个docx文件的后缀改为ZIP后是可以用解压工具打开或是解压的。事实上，Word2007的基本文件就是ZIP格式的，他可以算作是docx文件的容器。

• docx 格式文件的主要内容是保存为XML格式的，但文件并非直接保存于磁盘。它是保存在一个ZIP文件中，然后取扩展名为docx。将.docx 格式的文件后缀改为ZIP后解压, 可以看到解压出来的文件夹中有word这样一个文件夹，它包含了Word文档的大部分内容。而其中的document.xml文件则包含了文档的主要文本内容

从上面的文档我们可以了解到docx文档实际上是由XML文档打包组成的。那么我们要得到其中所有的部分，可以用ZIP解压的方式来得到所有的部件。

我们先试下看是否可以

1 将docx文档改成ZIP的后缀

2 解压文件

解压之后得到如下几个文件

点开word文件夹：有如下的文件夹。document.xml就是描述文本对象的文件

其中embeddings文件中就是我们插入的文本对象text.txt. 是一个bin文件

Media文件中就是存储的图片：

我们通过手动的方式将插入的文本以及图片解析出来，那么通过代码也是同样可以解析的。代码如下。

 os.chdir(r'E:\py_prj')  #首先改变目录到文件的目录



os.rename('test.docx','test.ZIP')  # 重命名为zip文件



f=zipfile.ZipFile('test.zip','r')  #进行解压



for file in f.namelist():



    f.extract(file)



file=open(r'E:\py_prj\word\embeddings\oleObject1.bin','rb').read() #进入文件路径，读取二进制文件。



for f in file:



    print (f) 

通过上面的方式，就可以将docx中插入的文件以及图片全部解析出来。

具体docx的写的方式可以参考官方文档的介绍