Python读写word文档docx和docx2txt包示例,python,使用,实例

简介

doc是微软的专有的文件格式，docx是Microsoft Office2007之后版本使用，其基于Office Open XML标准的压缩文件格式，比 doc文件所占用空间更小。 docx格式的文件本质上是一个ZIP文件 ，所以其实也可以把.docx文件直接改成.zip，解压后，里面的 word/document.xml包含了Word文档的大部分内容，图片文件则保存在word/media里面。

docx包

python-docx不支持.doc文件，间接解决方法是在代码里面先把.doc转为.docx。

python-docx模块会把word文档中的段落、文本、字体等看作对象，处理对象。

∙Document对象：一个word文档

∙Paragraph对象：word文档中的一个段落

∙Paragraph对象的text属性：段落的文本内容

安装

pip install python-docx

使用实例1：读

from docx import Document

def readDocx(fileName):

    doc = Document(fileName)

    # python UnicodeEncodeError: 'gbk' codec can't encode character '\\xef' in posi

    outFile = open("a." + fileName + ".txt", "w", encoding='utf-8')

    #for para in doc.paragraphs:

    #    print(para.txt)

    # 每一段的编号、内容

    for i in range(len(doc.paragraphs)):

        outFile.write(str(i) + " " + doc.paragraphs[i].text + "\\n")

    # 表格

    tbs = doc.tables

    for tb in tbs:

        # 行

        for row in tb.rows:

        # 列

            for cell in row.cells:

                outFile.write(cell.text + "\")

            outFile.write("\\n")

            # 也可以用下面方法

            # text = ''

            # for p in cell.paragraphs:

            #     text += p.text

            # print(text)

写

from docx import Document

from docx.shared import Inches

def createDocx():

    document = Document()

    # 添加标题并设置级别，范围0-9，默认1

    document.add_heading("Title", 0)

    p = document.add_paragraph("a plain paragraph lalalal")

    # 在段落后面追加文本，并设置样式

    # 直接追加哦

    p.add_run("bold").bold = True

    p.add_run(" test ")

    p.add_run("italic.").italic = True

    for i in range(10):

        document.add_heading("heading, level " + str(i) , level=i)

    document.add_paragraph("intense quote", style="Intense Quote")

    # 添加list(原点)

    document.add_paragraph("first item in unordered list", style="List Bullet")

    document.add_paragraph("second item in unordered list", style="List Bullet")

    # 添加带计数的list

    document.add_paragraph('first item in ordered list', style='List Number')

    document.add_paragraph('second item in ordered list', style='List Number')

    # 添加图片

    document.add_picture('test.PNG', width=Inches(1.25))

    records = (

        (3, '101', 'Spam'),

        (7, '422', 'Eggs'),

        (4, '631', 'Spam, spam, eggs, and spam')

    )

    # 添加表格：一行三列

    # 表格样式参数可选：

    # Normal Table

    # Table Grid

    # Light Shading、 Light Shading Accent 1 至 Light Shading Accent 6

    # Light List、Light List Accent 1 至 Light List Accent 6

    # Light Grid、Light Grid Accent 1 至 Light Grid Accent 6

    # 太多了其它省略...

    table = document.add_table(rows=1, cols=3, style='Light Shading Accent 1')

    # 获取第一行的单元格列表

    hdr_cells = table.rows[0].cells

    # 下面三行设置上面第一行的三个单元格的文本值

    hdr_cells[0].text = 'Qty'

    hdr_cells[1].text = 'Id'

    hdr_cells[2].text = 'Desc'

    for qty, id, desc in records:

        # 表格添加行，并返回行所在的单元格列表

        row_cells = table.add_row().cells

        row_cells[0].text = str(qty)

        row_cells[1].text = id

        row_cells[2].text = desc

    document.add_page_break()

    # 保存.docx文档

    document.save('demo.docx')

docx2txt包

用它是因为python-docx读不到超链接的文字内容。而docx2txt一定能读到所有字符。

def read_docx(fileName):

    text = docx2txt.process(fileName)

    outFile = open("b." + fileName + ".txt", "w", encoding='utf-8')

    outFile.write(text)