用python解析word文件（一）：paragraph

太長了，我決定仍是拆開三篇寫。

 

（一）段落篇（paragraph）（本篇）

（二）表格篇（table）

（三）樣式篇（style）

選你所需便可。下面開始正文。

 

---

 

最近公司的項目，須要在頁面上顯示word文件的內容。我找了幾個前端寫法，都沒用明白（由於我前端太渣），用起來簡單的要麼收費，要麼加了水印。那怎麼辦捏？

唉，仍是按毛主席說的，本身動手，豐衣足食吧！

 

感謝徒弟給打下的基礎，我不用挨個碰壁，直接就選擇了python-docx這個庫。 固然，它也只能解析docx文件，解析不了doc文件。安裝方式直接pip就能夠。下面咱們就正式開始解析的過程。

 

在word中的一個天然段，就是一個paragraph，用最簡單的方式

docx.paragraphs

就能夠得到所有的段落。這是一個可迭代的類型，相似於數組若是咱們用

p=docx.paragraphs[0]

就能夠直接得到文章中的第一段，而接下來

p.text

就是第一段的所有文字內容。若是咱們連貫起來寫，代碼應該是醬嬸滴：

for p in docx.paragraphs:
    print(p.text)

怎麼樣，是否是很方便？

不過，這樣僅僅是得到了文字內容，而把格式全丟了。我說的格式，是加粗，顏色，居中等等這些排版設計的東西。在paragraph中，這些東西叫作run。一個段落是由許多run組成的，就像這樣：

 

而得到run其實也是很是簡單的：

p.runs

便可。這一樣是個可迭代的類型，能夠循環得到每個run相關的內容，好比alignment（對齊方式），bold（加粗），italic（斜體），text（具體文本內容）等等。

 

能夠用dir或help來查看具體的方法使用，內容有點多，我就不挨個介紹了。我只想吐槽一點，我也不知道word中這一堆run是如何來區分的。好比上面的截圖，中英文分開不一樣的run我能夠理解，可是前面那些run彷佛沒有什麼道理。也許跟word的中文分詞方式有關？

 

可是，若是設置了不一樣的樣式，那麼確定會分紅不一樣的run的。

 

經過查方法不難看出，python-docx這個包，不只能夠讀出paragraph的內容，還能夠往裏面寫。可使用add_paragraph()方法來添加內容。大概這樣：

doc.add_paragraph(u'第一段',style=None) 
doc.add_paragraph(u'第二段',style='Heading 2')
p = doc.add_paragraph('')
p.add_run('第三段', style=None)
p.add_run('123', style="Heading 1 Char")
p.add_run('456')
p.add_run('789', style="Heading 2 Char")

而對於每個屬性，均可以查看它的類型，這個類型通常在docx中是個枚舉類型的常量，放在docx.enum.text這個頭文件中。使用方法能夠這樣：

if p.alignment == WD_PARAGRAPH_ALIGNMENT.CENTER:
    # todo

固然，我所作的這堆工做，目的其實不只僅是爲了得到文件內容，還要放在頁面上展現。有了上面的屬性，作起來就簡單多了。

html = "<p"
 
if title in self.paragraph.text and len(self.paragraph.text) < 15:
    html += " style=\"text-align: center; font-size: 30px\">"
elif self.paragraph.alignment == WD_PARAGRAPH_ALIGNMENT.CENTER:
    html += " style=\"text-align: center; font-size: 15px\">"
elif self.paragraph.alignment == WD_PARAGRAPH_ALIGNMENT.RIGHT:
    html += " style=\"text-align: right; font-size: 15px\">"
else:
    html += " style=\"font-size: 15px\">"
 
html += "%s</p>" % p

這樣實際上是用代碼活生生地生成了一段html。若是是用jinja模板的框架，能夠吧這段html直接經過view傳到頁面上，而後在頁面上使用

{{ paragraph|safe }}

來展現。

注意這裏的safe過濾器，這個是必須的，不然會尷尬地發現，html代碼不會轉義，會原樣輸出出來。

 

固然，還有更尷尬的。有一個問題我尚未解決，那就是列表，我找了很久都沒有找到自動編號的位置，甚至去讀了word生成的xml文檔——word能夠另存爲xml格式，也能夠在python-docx中經過

p.paragraph_format.element.xml

 

方法得到段落的xml——可是分析了半天，我都沒弄清楚段落的自動編號是如何生成的，留下了一個巨大的遺憾。

 

寫一篇就介紹到這裏吧，內容仍是相對簡單一些，由於paragraph仍是相對比較好取的。下一篇我將介紹一下table的解析。