Python自动化办公之Word文件内容的读取

前言

前面几个章节我们学习了对于普通文件的操作，比如说文件的创建、复制粘贴、裁剪粘贴、文件名的重命名、删除等等。另外还学习了一些基本练习，如何查找文件、如何按照内容查找文件等等。

在本章节及后续，将开始学习一些特殊文件的自动化相关操作。如 word、excel、PPT，虽然说是特殊文件，其实也是实际工作中我们经常会用到的文件类型。

接下来我们就进入到 word 文件自动化操作的学习内容。

该章节涉及的新模块

python-docx

pdfkit

pydocx

利用 python 批量读取文件

word利器之python-docx

python-docx 是用于创建可修改 微软 Word 的一个 python 库，提供全套的 Word 操作，是最常用的 Word 工具。

使用前，先了解几个概念：

• Document：是一个 Word 文档 对象，不同于 VBA 中 Worksheet 的概念，Document 是独立的，打开不同的 Word 文档，就会有不同的 Document 对象，相互之间没有影响
• Paragraph：是段落，一个 Word 文档由多个段落组成，当在文档中输入一个回车键，就会成为新的段落，输入 shift + 回车，不会分段
• Run 表示一个节段，每个段落由多个 节段 组成，一个段落中具有相同样式的连续文本，组成一个节段，所以一个 段落 对象有个 Run 列表。

例如下图的 word 文档示意图：

word 文档结构划分如下：

python-docx 安装

安装：

pip install python-docx 如果安装速度太慢的话，可以换一个国内的源地址（如下）

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple python-docx

导入：

import docx
from docx import …

python-docx 之 Document

导入包与模块：

from docx import Document

使用方法：

Document(word文件地址)

返回值：

word文件对象

python-docx 之段落内容读取

实际上要想读取一个 word 文档，主要就是读取它的段落以及它的表格。无论是段落还是表格，它的内部都是字符串，我们的目的就是读取这些字符串的内容。

先看一下段落内容的读取方式：

来源：

document_obj.paragraphs 通过 document 对象的 paragraphs 函数返回一个段落的列表；如果 word 文件存在多个段落，就会有多个段落对象。

使用方法：

通过循环获取每个段落对象，并调用 text

演示案例脚本如下：

# coding:utf-8

import os
from docx import Document

path = os.path.join(os.getcwd(), 'test_file/文本.docx')
print("\'文本.docx\' 的路径为：", path)     # 调试路径

doc = Document(path)

for p in doc.paragraphs:
    print(p.text)

运行结果如下：（PS：文本只是演示，本人非培训机构的！）

python-docx 之表格内容读取

接下来我们看一下如何读取 word 文件中的表格内容：

来源：

document_obj.tables 通过 document 对象的 paragraphs 函数返回一个表格的列表；里面是一个一个的表格的对象。

使用方法：

同样通过循环，获取行与列的内容

返回值：

每个表格字段（字符串）

演示案例代码如下：

# coding:utf-8

import os
from docx import Document

path = os.path.join(os.getcwd(), 'test_file/文本.docx')
print("\'文本.docx\' 的路径为：", path)     # 调试路径

doc = Document(path)

# for p in doc.paragraphs:
#     print(p.text)

for t in doc.tables:            # for 循环获取表格对象
    for row in t.rows:          # 获取每一行
        row_str = []
        for cell in row.cells:    # 获取每一行单独的小表格,然后将其内容拼接起来;拼接完成之后再第二个for循环中打印出来
            row_str.append(cell.text)
        print(row_str)
        
# 也可以通过 "columns" 获取表格中的列的内容，可以自己尝试一下

运行结果如下：