Python读取word文档内容

1,利用python读取纯文字的word文档,读取段落和段落里的文字。

先读取段落,代码如下:

 1 '''
 2     #利用python读取word文档,先读取段落
 3 '''
 4 #导入所需库
 5 from docx import Document
 6 
 7 #打开word文档
 8 document = Document("D:/路径/长恨歌.docx")
 9 
10 #获取所有段落
11 all_paragraphs = document.paragraphs
12 #打印看看all_paragraphs是什么东西
13 print(type(all_paragraphs)) #<class 'list'>,打印后发现是列表
14 #是列表就开始循环读取
15 for paragraph in all_paragraphs:
16     #打印每一个段落的文字
17     print(paragraph.text)

效果:

再读取段落里的内容,代码如下:

 1 '''
 2     #利用python读取word文档
 3 '''
 4 #导入所需库
 5 from docx import Document
 6 
 7 #打开word文档
 8 document = Document("D:/路径/长恨歌.docx")
 9 
10 #获取所有段落
11 all_paragraphs = document.paragraphs
12 #打印看看all_paragraphs是什么东西
13 print(type(all_paragraphs)) #<class 'list'>,打印后发现是列表
14 #是列表就开始循环读取
15 for paragraph in all_paragraphs:
16     #打印每一个段落的文字
17     #print(paragraph.text)
18     #循环读取每个段落里的run内容
19     for run in paragraph.runs:
20         print(run.text) #打印run内容

效果如下:

其实都准确的获取了文字内容,但是paragraph是保留了word文档里的换行符,而run是没有保留的。

 

2,利用python读取纯表格文档,那要读取的文字都是存储在单元格里,需要读取单元格里的内容:

 1 '''
 2     #利用python读取word文档,表格文档
 3 '''
 4 #导入所需库
 5 from docx import Document
 6 
 7 #打开文件
 8 document = Document("D:/路径/长恨歌-表格.docx")
 9 #获取文档所有表格
10 all_tables = document.tables
11 
12 #打印all_tables类型
13 print(type(all_tables)) #得到<class 'list'>,即列表
14 #开始循环读取表格列表
15 for table in all_tables:
16     #循环读取表格的每一行
17     for row in table.rows:
18         #print(row)
19         #循环读取表格的每一个单元格
20         for cell in row.cells:
21             #打印单元格里的内容
22             print(cell.text) #打印

3,利用python读取word文档,文档是表格加文字组合而成的。这个就设计word文档格式问题了。将要处理的word文档后缀名改为zip,发现也可以打开,里面有几个文件如图:

点开word目录,发现有个document.xml,这就是我们要处理的文件。

代码开始:

 1 '''
 2     #利用python读取word文档,表格文档
 3 '''
 4 #导入所需库
 5 import zipfile #解压文件库
 6 #先将要处理的word文档用zipfile进行压缩
 7 word = zipfile.ZipFile('D:/路径/长恨歌-文字+表格.docx')
 8 
 9 #找到要处理的xml文件并以utf-8的格式读取
10 xml = word.read('word/document.xml').decode('utf-8')
11 #打印看看
12 #print(type(xml)) #字符串
13 #print(xml) #打印整个字符串
14 #接下来分割字符串并存储到列表中
15 xml_list = xml.split('<w:t>') #以字符串<w:t>进行分割字符串
16 #打印看是否符合预期
17 #print(type(xml_list)) #是列表
18 #print(xml_list) #列表内容
19 
20 #开始切片,找标签</w:t>
21 text_list = [] #新建空list用以存储切出来的数据
22 #开始循环读取列表xml_list
23 for i in xml_list:
24     #条件查找
25     if i.find('</w:t>') + 1: #切片查找是如果没找到是会返回-1,我们+1让他返回0,再运行else分支
26         text_list.append(i[:i.find('</w:t>')]) #如果不是返回0就把找到的依次追加到text_list末尾
27     else:
28         pass
29 #print(text_list)
30 #再将得到的列表拆分为字符串
31 text = ''.join(text_list) #以空字符串为间隔,将列表拆分为字符串
32 print(text)

第三个表格加文字的取出文字有点绕,多处理几遍就行了。

 

posted @ 2020-11-13 13:21  、一叶孤城  阅读(26018)  评论(0编辑  收藏  举报