python-docx處理Word必備工具

 

我的理解

為什么會用到python-docx,因為近段時間下載了大量網文，但格式都是html的，我個人習慣使用word處理文字，於是就想法設法把html文檔轉換為word，首先要考慮的問題就是從html中提取的文字怎么存word里呢，之前用了pandoc直接轉換，帶轉換后的效果太不理想，沒什么格式，不符合我這種對word格式有嚴格要求強迫症人的需要，於是就到處搜尋其他方法，終於功夫不負有心人，通過幾天研究python-docx，感覺很適合我，就一邊分析html文檔，一邊思考怎么用python-docx存想要的格式word，因為我的word排版，一般習慣 頁面要設置成5678頁邊距的，大小A4的，正文主標題 方正小標宋，其他標題要么黑體，要么加粗，正文要首行縮進2字符 仿宋_GB2312，頁腳要加頁碼顯示，大概這些樣式。

python-docx 創建一篇文檔也差不多是這么個思路，一篇文檔也就是Document()對象 首先要分成不同的節，也就是由sections對象控制，然后每節中又分成不同的段落paragraphs對象，每段又由不同的塊run對象組成，針對不同的節（section）可以設置頁面的一些屬性，針對不同的段落（paragraph），可以設置間距和縮進、換行和分頁等，針對不同塊（run）可以設置字體的字型、顏色、大小等。可以先設置好整篇文章的大致段落、字體等格式，然后針對不同段落和塊可以單獨再進行設置。

我主要講講自己用到的幾個內容是怎么設置的。

安裝庫：

pip install python-docx　　

用到的庫

from docx import Document（文檔讀寫）
from docx.shared import Pt,Cm,Inches （字體大小，不一定全用到）
from docx.oxml.ns import qn（設置字體格式,分欄等用到）
from docx.shared import RGBColor （設置字體顏色）
from docx.enum.text import WD_ALIGN_PARAGRAPH （設置對其方式）
from docx.enum.section import WD_ORIENTATION （紙張方向用到）

　　

設置大致格式

這樣設置完了之后有一個好處就是，后往里面寫入文檔的時候回自動按這個格式，如果有需要改動的再單獨寫入時改。

    docment = docx.Document(docx_tamplate) # 讀取模板文檔，這里可以不用模板文檔，因為python-docx沒法設置頁碼，所以我先建了一個有頁碼的空白文檔作為模板文檔
    # 設置正文默認格式
    # 字體大小三號字（16）
    docment.styles['Normal'].font.size = Pt(16)
    # 字體仿宋_GB2312
    docment.styles['Normal'].font.name = u'仿宋_GB2312'
    docment.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'仿宋_GB2312')
    # 行間距 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)
    # 首行縮進2字符
    docment.styles['Normal'].paragraph_format.first_line_indent = 406400
    # 關閉孤行控制
    docment.styles['Normal'].paragraph_format.widow_control = False
    # 設置頁面大小
    docment.sections[0].page_height = Cm(29.7)  # 設置A4紙的高度
    docment.sections[0].page_width = Cm(21)  # 設置A4紙的寬
    # 設置頁邊距
    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)

　　

單獨設置段格式

doc=Document() #創建一個空白文檔
p1=doc.add_paragraph()  #初始化建立一個自然段
p1.alignment=WD_ALIGN_PARAGRAPH.CENTER  #對齊方式為居中，沒有這句話默認左對齊。另外右對齊：RIGHT，兩端對齊：JUSTIFY，分散對齊：DISTRIBUTE

p1.paragraph_format.line_spacing=1.5  #設置該段落，行間距為1.5倍，也可以像上面設默認值那樣用Pt單位來設置
p1.paragraph_format.first_line_indent=Inches(0.5)  #段落縮進0.5英寸，我還是習慣設置2字符 值為：406400
p1.paragraph_format.left_line_indent=Inches(0.5)  #設置左縮進0.5英寸。一般用不到
p1.paragraph_format.right_line_indent=Inches(0.5)  #設置右縮進0.5英寸，一般用不到
p1.paragraph_format.keep_together = False  # 段前分頁
p1.paragraph_format.keep_with_next = False  # 與下段同頁
p1.paragraph_format.page_break_before = True  # 段中不分頁
p1.paragraph_format.widow_control = False  # 孤行控制
p1.space_after=Pt(5)  #設置段后距離為5磅
p1.space_before=Pt(5)  #設置段前距離為5磅 

run1=p1.add_run('你好')   #寫入段落的中的文本“你好”
run1.font.size=Pt(12)  #單獨設置字體大小為24
run1.font.bold=True  #樣式設置加粗
run1.italic=True  #字形設置斜體
run1.font.underline = True  # 下划線
run1.font.color.rgb = RGBColor(255, 0, 0)  # 顏色

　　

插入圖片

#添加圖片，設置圖片大小
doc.add_picture(r"圖片路徑", width=Cm(10))

　　

插入表格

tab = doc.add_table(rows=5, cols=8, style='Table Grid') # 創建一個5行8列的表格，樣式為Table Grid
tab.cell(0, 0).text = '表角'  # 0行0列的內容為表角
cell=tab.cell(0, 1).merge(tab.cell(0, 3)) # 合並0行1列到0行3列
p = cell.paragraphs[0] 
run = p.add_run(‘合並’) #在單元格內容創建一個段落，並寫入‘合並’文本
run.font.size = Pt(10.5)  # 字體大小設置，和word里面的字號相對應5號字
run.bold = True
p.paragraph_format.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER  # 設置為加粗 居中顯示

　　

順帶說下，如果文檔是doc格式的需要轉換成docx，可以用pywin32 模塊轉換

模塊安裝

pip install pypiwin32

　　

下面是寫好的一個簡單轉換函數

from win32com import client
import pythoncom

def doc_docx(old_path):
    """單個.doc文件轉換為.docx文件"""
    # 我們首先調用win32com模塊並打開word應用軟件，執行程序：
    pythoncom.CoInitialize() # 初始化線程
    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)  # 數字16表示將.doc文件另存為.docx格式文件
    doc.Save()  #  一定注意 另存后這里要再保存下 防止報錯

    # ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
    # 釋放資源
    doc.Close()
    word.Quit()
    pythoncom.CoUnInitialize() # 初始化線程
    return new_path

如果一次轉換的比較多，因為多進程基本都會報錯 ， 那么可以構造類或函數進行操作 ，主要是我框起來的那4行代碼，前面初始化操作先執行，然后循環中間段代碼，最后等全部轉換完成后再釋放資源