Python自动化办公之Word文件内容的读取 Python自动化办公之Word文件内容

前言
利用 python 批量读取文件

word利器之python-docx
python-docx 安装
python-docx 之 Document

python-docx 之段落内容读取

python-docx 之表格内容读取

前言前面几个章节我们学习了对于普通文件的操作，比如说文件的创建、复制粘贴、裁剪粘贴、文件名的重命名、删除等等。另外还学习了一些基本练习，如何查找文件、如何按照内容查找文件等等。
在本章节及后续，将开始学习一些特殊文件的自动化相关操作。如 word、excel、PPT，虽然说是特殊文件，其实也是实际工作中我们经常会用到的文件类型。
接下来我们就进入到 word 文件自动化操作的学习内容。
该章节涉及的新模块
【Python自动化办公之Word文件内容的读取】python-docx
pdfkit
pydocx

利用 python 批量读取文件
word利器之python-docx
python-docx 是用于创建可修改微软 Word 的一个 python 库，提供全套的 Word 操作，是最常用的 Word 工具。
使用前，先了解几个概念：

Document：是一个 Word 文档对象，不同于 VBA 中 Worksheet 的概念，Document 是独立的，打开不同的 Word 文档，就会有不同的 Document 对象，相互之间没有影响
Paragraph：是段落，一个 Word 文档由多个段落组成，当在文档中输入一个回车键，就会成为新的段落，输入 shift + 回车，不会分段
Run 表示一个节段，每个段落由多个节段组成，一个段落中具有相同样式的连续文本，组成一个节段，所以一个段落对象有个 Run 列表。

例如下图的 word 文档示意图：

文章图片

word 文档结构划分如下：

文章图片

python-docx 安装
安装：
pip install python-docx 如果安装速度太慢的话，可以换一个国内的源地址（如下）
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple python-docx
导入：

import docx
from docx import …

python-docx 之 Document
导入包与模块：

from docx import Document

使用方法：
Document(word文件地址)
返回值：
word文件对象

python-docx 之段落内容读取实际上要想读取一个 word 文档，主要就是读取它的段落以及它的表格。无论是段落还是表格，它的内部都是字符串，我们的目的就是读取这些字符串的内容。
先看一下段落内容的读取方式：
来源：
document_obj.paragraphs 通过 document 对象的 paragraphs 函数返回一个段落的列表；如果 word 文件存在多个段落，就会有多个段落对象。
使用方法：
通过循环获取每个段落对象，并调用 text
演示案例脚本如下：

# coding:utf-8import osfrom docx import Documentpath = os.path.join(os.getcwd(), 'test_file/文本.docx')print("\'文本.docx\' 的路径为：", path)# 调试路径doc = Document(path)for p in doc.paragraphs:print(p.text)

运行结果如下：（PS：文本只是演示，本人非培训机构的！）

文章图片

文章图片

python-docx 之表格内容读取接下来我们看一下如何读取 word 文件中的表格内容：
来源：
document_obj.tables 通过 document 对象的 paragraphs 函数返回一个表格的列表；里面是一个一个的表格的对象。
使用方法：
同样通过循环，获取行与列的内容
返回值：
每个表格字段（字符串）
演示案例代码如下：

# coding:utf-8import osfrom docx import Documentpath = os.path.join(os.getcwd(), 'test_file/文本.docx')print("\'文本.docx\' 的路径为：", path)# 调试路径doc = Document(path)# for p in doc.paragraphs:#print(p.text)for t in doc.tables:# for 循环获取表格对象for row in t.rows:# 获取每一行row_str = []for cell in row.cells:# 获取每一行单独的小表格,然后将其内容拼接起来; 拼接完成之后再第二个for循环中打印出来row_str.append(cell.text)print(row_str)# 也可以通过 "columns" 获取表格中的列的内容，可以自己尝试一下

运行结果如下：