聊聊python 办公自动化之 Word(中)

作者：星安果

来源：AirPython（公众号）

上一篇文章，对 Word 写入数据的一些常见操作进行了总结，详情请看聊聊python 办公自动化之 Word（上）。相比写入数据，读取数据同样很实用！本篇文章，将谈谈如何全面读取一个 Word 文档中的数据，并会指出一些要注意的点。

基本信息

我们同样使用 python-docx 这个依赖库来对 Word 文档进行读取。首先我们来读取文档的基本信息，它们分别是：章节、页边距、页眉页脚边距、页面宽高、页面方向等。

在获取文档基础信息之前，我们通过文档路径构建一个文档对象 Document。

from docx import Document
# 源文件目录
self.word_path = './output.docx'
# 打开文档，构建一个文档对象
self.doc = Document(self.word_path)

1 - 章节（ Section ）

# 1、获取章节信息
# 注意：章节可以设置本页的大小、页眉、页脚
msg_sections = self.doc.sections
print("章节列表：", msg_sections)
# 章节数目
print('章节数目:', len(msg_sections))

2 - 页边距（ Page Margin ）

通过章节对象的 left_margin、top_margin、right_margin、bottom_margin 属性值可以获取当前章节的左边距、上边距、右边距、下边距

def get_page_margin(section):
"""
获取某个页面的页边距(EMU)
:param section:
:return:
"""
# 分别对应：左边距、上边距、右边距、下边距
left, top, right, bottom = section.left_margin, section.top_margin, section.right_margin, section.bottom_margin
return left, top, right, bottom
# 2、页边距信息
first_section = msg_sections[0]
left, top, right, bottom = get_page_margin(first_section)
print('左边距:', left, ",上边距：", top, ",右边距：", right, "，下边距：", bottom)

返回值的单位是 EMU，和厘米、英尺的转换关系如下：

3 - 页眉页脚边距

页眉边距：header_distance

页脚边距：footer_distance

def get_header_footer_distance(section):
"""
获取页眉、页脚边距
:param section:
:return:
"""
# 分别对应页眉边距、页脚边距
header_distance, footer_distance = section.header_distance, section.footer_distance
return header_distance, footer_distance
# 3、页眉页脚边距
header_distance, footer_distance = get_header_footer_distance(first_section)
print('页眉边距:', header_distance, "，页脚边距:", footer_distance)

4 - 页面宽度和高度

页面宽度：page_width

页面高度：page_height

def get_page_size(section):
"""
获取页面宽度、高度
:param section:
:return:
"""
# 分别对应页面宽度、高度
page_width, page_height = section.page_width, section.page_height
return page_width, page_height
# 4、页面宽度、高度
page_width, page_height = get_page_size(first_section)
print('页面宽度:', page_width, "，页面高度:", page_height)

5 - 页面方向（ Page Orientation ）

页面方向分为：横向和纵向

使用章节对象的 orientation 属性去获取一个章节的页面方向

def get_page_orientation(section):
"""
获取页面方向
:param section:
:return:
"""
return section.orientation
# 5、页面方向
# 类型：class 'docx.enum.base.EnumValue
# 包含：PORTRAIT (0)、LANDSCAPE (1)
page_orientation = get_page_orientation(first_section)
print("页面方向:", page_orientation)

同样，可以直接使用这个属性设置一个章节的方向

from docx.enum.section import WD_ORIENT
# 设置页面方向（横向、竖向）
# 设置为横向
first_section.orientation = WD_ORIENT.LANDSCAPE
# 设置为竖向
# first_section.orientation = WD_ORIENT.PORTRAIT
self.doc.save(self.word_path)

段落

使用文档对象的 paragraphs 属性可以获取文档中所有的段落

注意：这里获取的段落不包含页眉、页脚、表格中的段落

# 获取文档对象中所有的段落，默认不包含：页眉、页脚、表格中的段落
paragraphs = self.doc.paragraphs
# 1、段落数目
paragraphs_length = len(paragraphs)
print('文档中一共包含：{}个段落'.format(paragraphs_length))

1 - 段落内容

我们可以遍历文档中所有的段落列表，通过段落对象的 text 属性，获取全部的段落内容

# 0、读取所有段落数据
contents = [paragraph.text for paragraph in self.doc.paragraphs]
print(contents)

2 - 段落格式

通过上一篇文章，我们知道段落也存在格式的

使用 paragraph_format 属性获取段落的基本格式信息

包含：对齐方式、左右缩进、行间距、段落前后间距等

# 2、获取某一个段落的格式信息
paragraph_someone = paragraphs[0]
# 2.1 段落内容
content = paragraph_someone.text
print('段落内容:', content)
# 2.2 段落格式
paragraph_format = paragraph_someone.paragraph_format
# 2.2.1 对齐方式
# <class 'docx.enum.base.EnumValue'>
alignment = paragraph_format.alignment
print('段落对齐方式：', alignment)
# 2.2.2 左、右缩进
left_indent, right_indent = paragraph_format.left_indent, paragraph_format.right_indent
print('段落左缩进:', left_indent, "，右缩进:", right_indent)
# 2.2.3 首行缩进
first_line_indent = paragraph_format.first_line_indent
print('段落首行缩进:', first_line_indent)
# 2.2.4 行间距
line_spacing = paragraph_format.line_spacing
print('段落行间距:', line_spacing)
# 2.2.5 段落前后间距
space_before, space_after = paragraph_format.space_before, paragraph_format.space_after
print('段落前、后间距分别为:', space_before, ',', space_after)

文字块 - Run

文字块 Run 属于段落的一部分，所以，要获取文字块信息，必须先拿到一个段落实例对象

以文字块基本信息、字体格式信息为例

1 - 文字块基本信息

我们使用段落对象的 runs 属性获取段落内所有的文字块对象

def get_runs(paragraph):
"""
获取段落下所有的文字块信息，包含：数目、内容列表
:param paragraph:
:return:
"""
# 段落对象包含的文字块Run
runs = paragraph.runs
# 数量
runs_length = len(runs)
# 文字块内容
runs_contents = [run.text for run in runs]
return runs, runs_length, runs_contents

2 - 文字块格式信息

文字块是文档中最小的文字单元，使用文字块对象的 font 属性可以拿到它的字体属性

和设置文字块格式属性一一对应，字体名称、大小、颜色、是否加粗、是否斜体等都可以获取到

# 2、文字块格式信息
# 包含：字体名称、大小、颜色、是否加粗等
# 某一个文字块的字体属性
run_someone_font = runs[0].font
# 字体名称
font_name = run_someone_font.name
print('字体名称:', font_name)
# 字体颜色(RGB)
# <class 'docx.shared.RGBColor'>
font_color = run_someone_font.color.rgb
print('字体颜色:', font_color)
print(type(font_color))
# 字体大小
font_size = run_someone_font.size
print('字体大小:', font_size)
# 是否加粗
# True:加粗；None/False：没有加粗
font_bold = run_someone_font.bold
print('是否加粗：', font_bold)
# 是否斜体
# True:协议；None/False：不是斜体
font_italic = run_someone_font.italic
print('是否斜体:', font_italic)
# 带下划线
# True：带有下滑线；None/False:字体没有带下滑线
font_underline = run_someone_font.underline
print('带有下滑线:', font_underline)
# 删除线/双删除线
# True：带有删除线；None/False:字体没有带删除线
font_strike = run_someone_font.strike
font_double_strike = run_someone_font.double_strike
print('带有删除线:', font_strike, "\n带有双删除线:", font_double_strike)

表格

文档对象的 tables 属性可以获取当前文档中所有的表格对象

# 文档中所有的表格对象
tables = self.doc.tables

# 1、表格数量
table_num = len(tables)
print('文档中包含的表格数量:', table_num)

1 - 表格所有数据

获取表格中所有数据有 2 种方式

第一种方式：通过遍历文档中所有表格，然后按行和单元格进行遍历，最后通过单元格的 text 属性获取所有单元格的文本内容

# 2、读取所有表格数据
# 所有表格对象
# tables = [table for table in self.doc.tables]
print('内容分别是：')
for table in tables:
for row in table.rows:
for cell in row.cells:
print(cell.text, end=' ')
print()
print('\n')

另外一种方式是使用表格对象的 _cells 属性获取表格中所有的单元格，然后遍历获取单元格的值

def get_table_cell_content(table):
"""
读取表格中所有单元格是内容
:param table:
:return:
"""
# 所有单元格
cells = table._cells
cell_size = len(cells)
# 所有单元格的内容
content = [cell.text for cell in cells]
return content

2 - 表格样式

# 3、表格样式名称
# Table Grid
table_someone = tables[0]
style = table_someone.style.name
print("表格样式:", style)

3 - 表格行数量、列数量

table.rows：表格中的行数据迭代对象

table.columns：表格中的列数据迭代对象

def get_table_size(table):
"""
获取表格的行数量、列数量
:param table:
:return:
"""
# 几行、几列
row_length, column_length = len(table.rows), len(table.columns)
return row_length, column_length

4 - 行数据、列数据

有时候，我们需要单独按照行或者列，获取全部数据

def get_table_row_datas(table):
"""
获取表格中行数据
:param table:
:return:
"""
rows = table.rows
datas = []
# 每一行获取单元格的数据组成列表，加入到结果列表中
for row in rows:
datas.append([cell.text for cell in row.cells])
return datas
def get_table_column_datas(table):
"""
获取表格中列数据
:param table:
:return:
"""
columns = table.columns
datas = []
# 每一列获取单元格的数据组成列表，加入到结果列表中
for column in columns:
datas.append([cell.text for cell in column.cells])
return datas

图片

有时候，我们需要将 Word 文档中的图片下载到本地，Word 文档实际上也是一个压缩文件，我们使用解压工具后发现，文档包含的图片都放置在/word/media/ 目录下

提取文档图片有 2 种方法，分别是：

• 解压文档文件，将对应目录下的图片拷贝出来
• 使用 python-docx 内置的方法提取图片（ 推荐 ）

def get_word_pics(doc, word_path, output_path):
"""
提取word文档内的图片
:param word_path:源文件名称
:param output_path: 结果目录
:return:
"""
dict_rel = doc.part._rels
for rel in dict_rel:
rel = dict_rel[rel]
if "image" in rel.target_ref:
# 图片保存目录
if not os.path.exists(output_path):
os.makedirs(output_path)
img_name = re.findall("/(.*)", rel.target_ref)[0]
word_name = os.path.splitext(word_path)[0]
# 新的名称
newname = word_name.split('\\')[-1] if os.sep in word_name else word_name.split('/')[-1]
img_name = f'{newname}_{img_name}'
# 写入到文件中
with open(f'{output_path}/{img_name}', "wb") as f:
f.write(rel.target_part.blob)

页眉页脚

页眉和页脚都是基于章节，我们以某一个章节对象为例进行说明。

# 获取某一个章节
first_section = self.doc.sections[0]

使用章节对象的 header、footer 属性可以获取页眉、页脚对象。由于页眉、页脚可能包含多个段落 Paragraph，因此，我们可以先使用页眉页脚对象的 paragraphs 属性获取所有段落，然后遍历出所有段落的值，最后拼接起来就是页眉页脚的全部内容。

# 注意：页眉、页脚都有可能包含多个段落
# 页眉所有的段落
header_content = " ".join([paragraph.text for paragraph in first_section.header.paragraphs])
print("页眉内容:", header_content)
# 页脚
footer_content = " ".join([paragraph.text for paragraph in first_section.footer.paragraphs])
print("页脚内容:", footer_content)