用python解析word文件（一）：paragraph

太长了，我决定还是拆开三篇写。

 

（一）段落篇（paragraph）（本篇）

（二）表格篇（table）

（三）样式篇（style）

选你所需即可。下面开始正文。

 

---

 

最近公司的项目，需要在页面上显示word文件的内容。我找了几个前端写法，都没用明白（因为我前端太渣），用起来简单的要么收费，要么加了水印。那怎么办捏？

唉，还是按毛主席说的，自己动手，丰衣足食吧！

 

感谢徒弟给打下的基础，我不用挨个碰壁，直接就选择了python-docx这个库。当然，它也只能解析docx文件，解析不了doc文件。安装方式直接pip就可以。下面我们就正式开始解析的过程。

 

在word中的一个自然段，就是一个paragraph，用最简单的方式

docx.paragraphs

就可以获得全部的段落。这是一个可迭代的类型，类似于数组如果我们用

p=docx.paragraphs[0]

就可以直接获得文章中的第一段，而接下来

p.text

就是第一段的全部文字内容。如果我们连贯起来写，代码应该是酱婶滴：

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

怎么样，是不是很方便？

不过，这样仅仅是获得了文字内容，而把格式全丢了。我说的格式，是加粗，颜色，居中等等这些排版设计的东西。在paragraph中，这些东西叫做run。一个段落是由许多run组成的，就像这样：

 

而获得run其实也是非常简单的：

p.runs

即可。这同样是个可迭代的类型，可以循环获得每一个run相关的内容，比如alignment（对齐方式），bold（加粗），italic（斜体），text（具体文本内容）等等。

 

可以用dir或help来查看具体的方法使用，内容有点多，我就不挨个介绍了。我只想吐槽一点，我也不知道word中这一堆run是如何来区分的。比如上面的截图，中英文分开不同的run我可以理解，但是前面那些run似乎没有什么道理。也许跟word的中文分词方式有关？

 

但是，如果设置了不同的样式，那么肯定会分成不同的run的。

 

通过查方法不难看出，python-docx这个包，不仅可以读出paragraph的内容，还可以往里面写。可以使用add_paragraph()方法来添加内容。大概这样：

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")

而对于每一个属性，都可以查看它的类型，这个类型一般在docx中是个枚举类型的常量，放在docx.enum.text这个头文件中。使用方法可以这样：

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

当然，我所做的这堆工作，目的其实不仅仅是为了获得文件内容，还要放在页面上展示。有了上面的属性，做起来就简单多了。

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

这样其实是用代码活生生地生成了一段html。如果是用jinja模板的框架，可以吧这段html直接通过view传到页面上，然后在页面上使用

{{ paragraph|safe }}

来展示。

注意这里的safe过滤器，这个是必须的，否则会尴尬地发现，html代码不会转义，会原样输出出来。

 

当然，还有更尴尬的。有一个问题我还没有解决，那就是列表，我找了好久都没有找到自动编号的位置，甚至去读了word生成的xml文档——word可以另存为xml格式，也可以在python-docx中通过

p.paragraph_format.element.xml

 

方法获得段落的xml——但是分析了半天，我都没弄清楚段落的自动编号是如何生成的，留下了一个巨大的遗憾。

 

写一篇就介绍到这里吧，内容还是相对简单一些，因为paragraph还是相对比较好取的。下一篇我将介绍一下table的解析。