python 如何读取word文件

Python读取Word文件通常使用库如python-docx、pywin32、textract，其中python-docx是最常用的。python-docx库支持简单的Word文档读取和操作、pywin32适用于Windows系统，允许更复杂的操作、textract能够处理多种文件格式。本文将详细介绍如何使用python-docx读取Word文件，并提供一些实用示例。

一、PYTHON-DOCX库的安装与基础使用

python-docx是一个强大的Python库，可以轻松读取和操作Word文档。首先，我们需要安装该库。您可以使用以下命令进行安装：

pip install python-docx

安装完成后，我们可以开始读取Word文件。下面是一个简单的示例，展示如何打开并读取Word文件中的文本内容：

from docx import Document
def read_word_file(file_path):
    doc = Document(file_path)
    for para in doc.paragraphs:
        print(para.text)
read_word_file('example.docx')

在这个示例中，我们首先导入了Document类，然后使用它打开指定路径的Word文件。接着，我们遍历文档中的每个段落，并打印出其文本内容。

二、读取WORD文档中的段落和表格

Word文档不仅仅包含普通文本，还可以包含表格、图片等多种格式的数据。在处理Word文件时，我们经常需要提取表格中的数据。python-docx同样提供了处理表格的方法。

读取段落

对于Word文档中的段落，python-docx提供了简单的方法获取所有段落，然后可以逐段进行处理。

doc = Document('example.docx')
for paragraph in doc.paragraphs:
    print(paragraph.text)

读取表格

Word文档中的表格常用于结构化数据的存储。我们可以使用tables属性获取文档中的表格，并遍历每个单元格的内容。

doc = Document('example_with_table.docx')
for table in doc.tables:
    for row in table.rows:
        for cell in row.cells:
            print(cell.text)

三、处理WORD文档中的复杂格式

在实际应用中，Word文档中的文本可能包含复杂的格式，例如粗体、斜体、下划线等。python-docx允许访问和操作这些格式属性。

访问文本格式

我们可以通过run对象来访问段落中各个部分的格式属性，例如字体样式、字号、颜色等。

doc = Document('example.docx')
for paragraph in doc.paragraphs:
    for run in paragraph.runs:
        print(f'Text: {run.text}, Bold: {run.bold}, Italic: {run.italic}')

设置文本格式

除了读取格式，python-docx还允许我们设置文本的格式，例如将某段文字设置为粗体或斜体。

doc = Document('example.docx')
for paragraph in doc.paragraphs:
    for run in paragraph.runs:
        run.bold = True  # 将文本设置为粗体
doc.save('modified.docx')

四、从WORD文档中提取图片

除了文本内容，Word文档中也可能包含图片。虽然python-docx不直接支持图像的提取，但可以通过解析文档结构间接实现。

查找并提取图片

我们可以通过访问文档的part属性来定位图片，并将其保存到本地。

from docx import Document
import os
def extract_images(doc_path, output_folder):
    doc = Document(doc_path)
    for rel in doc.part.rels.values():
        if "image" in rel.target_ref:
            img = rel.target_part.blob
            img_name = os.path.basename(rel.target_ref)
            with open(os.path.join(output_folder, img_name), "wb") as f:
                f.write(img)
extract_images('example_with_images.docx', 'images')

五、PANDAS与PYTHON-DOCX结合使用

在数据处理过程中，我们经常需要将Word文档中的数据导入到Pandas DataFrame中，以便进行进一步的分析和操作。

读取表格到DataFrame

可以使用pandas库将Word文档中的表格数据转换为DataFrame。

import pandas as pd
from docx import Document
def table_to_dataframe(doc_path):
    doc = Document(doc_path)
    tables = doc.tables
    for table in tables:
        data = []
        keys = None
        for i, row in enumerate(table.rows):
            text = (cell.text for cell in row.cells)
            if i == 0:
                keys = tuple(text)
                continue
            row_data = dict(zip(keys, text))
            data.append(row_data)
        df = pd.DataFrame(data)
        print(df)
table_to_dataframe('example_with_table.docx')

将DataFrame写入Word文档

我们也可以将处理后的DataFrame数据写入新的Word文档中。

from docx import Document
import pandas as pd
def dataframe_to_word(doc_path, df):
    doc = Document()
    table = doc.add_table(rows=1, cols=len(df.columns))
    hdr_cells = table.rows[0].cells
    for i, column_name in enumerate(df.columns):
        hdr_cells[i].text = column_name
    for index, row in df.iterrows():
        row_cells = table.add_row().cells
        for i, value in enumerate(row):
            row_cells[i].text = str(value)
    doc.save(doc_path)
df = pd.DataFrame({'Column1': [1, 2, 3], 'Column2': ['A', 'B', 'C']})
dataframe_to_word('output.docx', df)

六、处理WORD文档中的样式和布局

在生成Word文档时，样式和布局是影响文档美观度和可读性的重要因素。python-docx提供了多种方法来设置文档的样式和布局。

设置段落样式

我们可以为段落设置不同的样式，以便在文档中实现一致的格式。

doc = Document()
p = doc.add_paragraph('This is a paragraph with a style.')
p.style = 'Heading1'
doc.save('styled.docx')

设置表格样式

表格样式有助于改善数据的可读性。我们可以使用预定义的样式或自定义样式。

doc = Document()
table = doc.add_table(rows=2, cols=2)
table.style = 'Table Grid'
doc.save('table_with_style.docx')

七、处理WORD文档的页面设置

在文档生成过程中，页面设置如页边距、纸张大小等也是需要考虑的重要因素。

设置页边距

通过访问文档的sections属性，我们可以调整文档的页边距。

from docx.shared import Inches
doc = Document()
section = doc.sections[0]
section.top_margin = Inches(1)
section.bottom_margin = Inches(1)
section.left_margin = Inches(1)
section.right_margin = Inches(1)
doc.save('with_margins.docx')

设置纸张大小

同样可以通过sections属性设置文档的纸张大小。

from docx.enum.section import WD_ORIENT
from docx.shared import Inches
doc = Document()
section = doc.sections[0]
section.orientation = WD_ORIENT.LANDSCAPE
section.page_width = Inches(11)
section.page_height = Inches(8.5)
doc.save('landscape.docx')

八、使用PYWIN32处理复杂WORD操作

尽管python-docx足够强大，但在某些需要更复杂操作的场景下，pywin32可能更合适。pywin32允许直接操作Word应用程序，通过COM接口实现几乎所有Word中可用的功能。

使用PYWIN32打开和读取WORD文件

pywin32可以控制Word应用程序，操作复杂的Word文档。

import win32com.client
word = win32com.client.Dispatch("Word.Application")
word.Visible = 0
doc = word.Documents.Open('example.docx')
for para in doc.Paragraphs:
    print(para.Range.Text)
doc.Close()
word.Quit()

使用PYWIN32保存WORD文件为其他格式

我们可以使用pywin32将Word文档保存为其他格式，如PDF。

import win32com.client
word = win32com.client.Dispatch("Word.Application")
doc = word.Documents.Open('example.docx')
doc.SaveAs('example.pdf', FileFormat=17)
doc.Close()
word.Quit()

以上是关于如何使用Python读取和处理Word文件的一些方法。通过这些工具和库，开发者可以根据需求灵活地读取、修改和生成Word文档。Python的强大之处在于其丰富的生态系统，提供了多种选择来满足不同的文档处理需求。