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
#
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)
#
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:
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)
——热门课程推荐:
想学习PYTHON数据分析与金融数字化转型精英训练营,您可以点击>>>“人才转型”了解课程详情;
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14