python-docx处理Word必备工具

 

我的理解

为什么会用到python-docx,因为近段时间下载了大量网文，但格式都是html的，我个人习惯使用word处理文字，于是就想法设法把html文档转换为word，首先要考虑的问题就是从html中提取的文字怎么存word里呢，之前用了pandoc直接转换，带转换后的效果太不理想，没什么格式，不符合我这种对word格式有严格要求强迫症人的需要，于是就到处搜寻其他方法，终于功夫不负有心人，通过几天研究python-docx，感觉很适合我，就一边分析html文档，一边思考怎么用python-docx存想要的格式word，因为我的word排版，一般习惯 页面要设置成5678页边距的，大小A4的，正文主标题 方正小标宋，其他标题要么黑体，要么加粗，正文要首行缩进2字符 仿宋_GB2312，页脚要加页码显示，大概这些样式。

python-docx 创建一篇文档也差不多是这么个思路，一篇文档也就是Document()对象 首先要分成不同的节，也就是由sections对象控制，然后每节中又分成不同的段落paragraphs对象，每段又由不同的块run对象组成，针对不同的节（section）可以设置页面的一些属性，针对不同的段落（paragraph），可以设置间距和缩进、换行和分页等，针对不同块（run）可以设置字体的字型、颜色、大小等。可以先设置好整篇文章的大致段落、字体等格式，然后针对不同段落和块可以单独再进行设置。

我主要讲讲自己用到的几个内容是怎么设置的。

安装库：

pip install python-docx　　

用到的库

from docx import Document（文档读写）
from docx.shared import Pt,Cm,Inches （字体大小，不一定全用到）
from docx.oxml.ns import qn（设置字体格式,分栏等用到）
from docx.shared import RGBColor （设置字体颜色）
from docx.enum.text import WD_ALIGN_PARAGRAPH （设置对其方式）
from docx.enum.section import WD_ORIENTATION （纸张方向用到）

　　

设置大致格式

这样设置完了之后有一个好处就是，后往里面写入文档的时候回自动按这个格式，如果有需要改动的再单独写入时改。

    docment = docx.Document(docx_tamplate) # 读取模板文档，这里可以不用模板文档，因为python-docx没法设置页码，所以我先建了一个有页码的空白文档作为模板文档
    # 设置正文默认格式
    # 字体大小三号字（16）
    docment.styles['Normal'].font.size = Pt(16)
    # 字体仿宋_GB2312
    docment.styles['Normal'].font.name = u'仿宋_GB2312'
    docment.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'仿宋_GB2312')
    # 行间距 28磅 段前、段后不留空
    docment.styles['Normal'].paragraph_format.line_spacing = Pt(29)
    docment.styles['Normal'].paragraph_format.space_before = Pt(0)
    docment.styles['Normal'].paragraph_format.space_after = Pt(0)
    # 首行缩进2字符
    docment.styles['Normal'].paragraph_format.first_line_indent = 406400
    # 关闭孤行控制
    docment.styles['Normal'].paragraph_format.widow_control = False
    # 设置页面大小
    docment.sections[0].page_height = Cm(29.7)  # 设置A4纸的高度
    docment.sections[0].page_width = Cm(21)  # 设置A4纸的宽
    # 设置页边距
    docment.sections[0].top_margin = Cm(3.7)
    docment.sections[0].bottom_margin = Cm(3.4)
    docment.sections[0].left_margin = Cm(2.8)
    docment.sections[0].right_margin = Cm(2.6)

　　

单独设置段格式

doc=Document() #创建一个空白文档
p1=doc.add_paragraph()  #初始化建立一个自然段
p1.alignment=WD_ALIGN_PARAGRAPH.CENTER  #对齐方式为居中，没有这句话默认左对齐。另外右对齐：RIGHT，两端对齐：JUSTIFY，分散对齐：DISTRIBUTE

p1.paragraph_format.line_spacing=1.5  #设置该段落，行间距为1.5倍，也可以像上面设默认值那样用Pt单位来设置
p1.paragraph_format.first_line_indent=Inches(0.5)  #段落缩进0.5英寸，我还是习惯设置2字符 值为：406400
p1.paragraph_format.left_line_indent=Inches(0.5)  #设置左缩进0.5英寸。一般用不到
p1.paragraph_format.right_line_indent=Inches(0.5)  #设置右缩进0.5英寸，一般用不到
p1.paragraph_format.keep_together = False  # 段前分页
p1.paragraph_format.keep_with_next = False  # 与下段同页
p1.paragraph_format.page_break_before = True  # 段中不分页
p1.paragraph_format.widow_control = False  # 孤行控制
p1.space_after=Pt(5)  #设置段后距离为5磅
p1.space_before=Pt(5)  #设置段前距离为5磅 

run1=p1.add_run('你好')   #写入段落的中的文本“你好”
run1.font.size=Pt(12)  #单独设置字体大小为24
run1.font.bold=True  #样式设置加粗
run1.italic=True  #字形设置斜体
run1.font.underline = True  # 下划线
run1.font.color.rgb = RGBColor(255, 0, 0)  # 颜色

　　

插入图片

#添加图片，设置图片大小
doc.add_picture(r"图片路径", width=Cm(10))

　　

插入表格

tab = doc.add_table(rows=5, cols=8, style='Table Grid') # 创建一个5行8列的表格，样式为Table Grid
tab.cell(0, 0).text = '表角'  # 0行0列的内容为表角
cell=tab.cell(0, 1).merge(tab.cell(0, 3)) # 合并0行1列到0行3列
p = cell.paragraphs[0] 
run = p.add_run(‘合并’) #在单元格内容创建一个段落，并写入‘合并’文本
run.font.size = Pt(10.5)  # 字体大小设置，和word里面的字号相对应5号字
run.bold = True
p.paragraph_format.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER  # 设置为加粗 居中显示

　　

顺带说下，如果文档是doc格式的需要转换成docx，可以用pywin32 模块转换

模块安装

pip install pypiwin32

　　

下面是写好的一个简单转换函数

from win32com import client
import pythoncom

def doc_docx(old_path):
    """单个.doc文件转换为.docx文件"""
    # 我们首先调用win32com模块并打开word应用软件，执行程序：
    pythoncom.CoInitialize() # 初始化线程
    word = client.Dispatch("Word.Application")

    # vvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvvv

    doc = word.Documents.Open(old_path)
    new_path = old_path.split('.', 1)[0] + '.docx'
    doc.SaveAs(new_path, 16)  # 数字16表示将.doc文件另存为.docx格式文件
    doc.Save()  #  一定注意 另存后这里要再保存下 防止报错

    # ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
    # 释放资源
    doc.Close()
    word.Quit()
    pythoncom.CoUnInitialize() # 初始化线程
    return new_path

如果一次转换的比较多，因为多进程基本都会报错 ， 那么可以构造类或函数进行操作 ，主要是我框起来的那4行代码，前面初始化操作先执行，然后循环中间段代码，最后等全部转换完成后再释放资源