Python讀取word文檔內容

1，利用python讀取純文字的word文檔，讀取段落和段落里的文字。

先讀取段落，代碼如下：

'''
    #利用python讀取word文檔，先讀取段落
'''
#導入所需庫
from docx import Document

#打開word文檔
document = Document("D:/路徑/長恨歌.docx")

#獲取所有段落
all_paragraphs = document.paragraphs
#打印看看all_paragraphs是什么東西
print(type(all_paragraphs)) #<class 'list'>，打印后發現是列表
#是列表就開始循環讀取
for paragraph in all_paragraphs:
    #打印每一個段落的文字
    print(paragraph.text)

效果：

再讀取段落里的內容，代碼如下：

'''
    #利用python讀取word文檔
'''
#導入所需庫
from docx import Document

#打開word文檔
document = Document("D:/路徑/長恨歌.docx")

#獲取所有段落
all_paragraphs = document.paragraphs
#打印看看all_paragraphs是什么東西
print(type(all_paragraphs)) #<class 'list'>，打印后發現是列表
#是列表就開始循環讀取
for paragraph in all_paragraphs:
    #打印每一個段落的文字
    #print(paragraph.text)
    #循環讀取每個段落里的run內容
    for run in paragraph.runs:
        print(run.text) #打印run內容

效果如下：

其實都准確的獲取了文字內容，但是paragraph是保留了word文檔里的換行符，而run是沒有保留的。

 

2，利用python讀取純表格文檔，那要讀取的文字都是存儲在單元格里，需要讀取單元格里的內容：

'''
    #利用python讀取word文檔，表格文檔
'''
#導入所需庫
from docx import Document

#打開文件
document = Document("D:/路徑/長恨歌-表格.docx")
#獲取文檔所有表格
all_tables = document.tables

#打印all_tables類型
print(type(all_tables)) #得到<class 'list'>，即列表
#開始循環讀取表格列表
for table in all_tables:
    #循環讀取表格的每一行
    for row in table.rows:
        #print(row)
        #循環讀取表格的每一個單元格
        for cell in row.cells:
            #打印單元格里的內容
            print(cell.text) #打印

3，利用python讀取word文檔，文檔是表格加文字組合而成的。這個就設計word文檔格式問題了。將要處理的word文檔后綴名改為zip，發現也可以打開，里面有幾個文件如圖：

點開word目錄，發現有個document.xml，這就是我們要處理的文件。

代碼開始：

'''
    #利用python讀取word文檔，表格文檔
'''
#導入所需庫
import zipfile #解壓文件庫
#先將要處理的word文檔用zipfile進行壓縮
word = zipfile.ZipFile('D:/路徑/長恨歌-文字+表格.docx')

#找到要處理的xml文件並以utf-8的格式讀取
xml = word.read('word/document.xml').decode('utf-8')
#打印看看
#print(type(xml)) #字符串
#print(xml) #打印整個字符串
#接下來分割字符串並存儲到列表中
xml_list = xml.split('<w:t>') #以字符串<w:t>進行分割字符串
#打印看是否符合預期
#print(type(xml_list)) #是列表
#print(xml_list) #列表內容

#開始切片，找標簽</w:t>
text_list = [] #新建空list用以存儲切出來的數據
#開始循環讀取列表xml_list
for i in xml_list:
    #條件查找
    if i.find('</w:t>') + 1: #切片查找是如果沒找到是會返回-1，我們+1讓他返回0，再運行else分支
        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
    else:
        pass
#print(text_list)
#再將得到的列表拆分為字符串
text = ''.join(text_list) #以空字符串為間隔，將列表拆分為字符串
print(text)

第三個表格加文字的取出文字有點繞，多處理幾遍就行了。