Python读取word文档内容

1，利用python读取纯文字的word文档，读取段落和段落里的文字。

先读取段落，代码如下：

'''
    #利用python读取word文档，先读取段落
'''
#导入所需库
from docx import Document

#打开word文档
document = Document("D:/路径/长恨歌.docx")

#获取所有段落
all_paragraphs = document.paragraphs
#打印看看all_paragraphs是什么东西
print(type(all_paragraphs)) #<class 'list'>，打印后发现是列表
#是列表就开始循环读取
for paragraph in all_paragraphs:
    #打印每一个段落的文字
    print(paragraph.text)

效果：

再读取段落里的内容，代码如下：

'''
    #利用python读取word文档
'''
#导入所需库
from docx import Document

#打开word文档
document = Document("D:/路径/长恨歌.docx")

#获取所有段落
all_paragraphs = document.paragraphs
#打印看看all_paragraphs是什么东西
print(type(all_paragraphs)) #<class 'list'>，打印后发现是列表
#是列表就开始循环读取
for paragraph in all_paragraphs:
    #打印每一个段落的文字
    #print(paragraph.text)
    #循环读取每个段落里的run内容
    for run in paragraph.runs:
        print(run.text) #打印run内容

效果如下：

其实都准确的获取了文字内容，但是paragraph是保留了word文档里的换行符，而run是没有保留的。

 

2，利用python读取纯表格文档，那要读取的文字都是存储在单元格里，需要读取单元格里的内容：

'''
    #利用python读取word文档，表格文档
'''
#导入所需库
from docx import Document

#打开文件
document = Document("D:/路径/长恨歌-表格.docx")
#获取文档所有表格
all_tables = document.tables

#打印all_tables类型
print(type(all_tables)) #得到<class 'list'>，即列表
#开始循环读取表格列表
for table in all_tables:
    #循环读取表格的每一行
    for row in table.rows:
        #print(row)
        #循环读取表格的每一个单元格
        for cell in row.cells:
            #打印单元格里的内容
            print(cell.text) #打印

3，利用python读取word文档，文档是表格加文字组合而成的。这个就设计word文档格式问题了。将要处理的word文档后缀名改为zip，发现也可以打开，里面有几个文件如图：

点开word目录，发现有个document.xml，这就是我们要处理的文件。

代码开始：

'''
    #利用python读取word文档，表格文档
'''
#导入所需库
import zipfile #解压文件库
#先将要处理的word文档用zipfile进行压缩
word = zipfile.ZipFile('D:/路径/长恨歌-文字+表格.docx')

#找到要处理的xml文件并以utf-8的格式读取
xml = word.read('word/document.xml').decode('utf-8')
#打印看看
#print(type(xml)) #字符串
#print(xml) #打印整个字符串
#接下来分割字符串并存储到列表中
xml_list = xml.split('<w:t>') #以字符串<w:t>进行分割字符串
#打印看是否符合预期
#print(type(xml_list)) #是列表
#print(xml_list) #列表内容

#开始切片，找标签</w:t>
text_list = [] #新建空list用以存储切出来的数据
#开始循环读取列表xml_list
for i in xml_list:
    #条件查找
    if i.find('</w:t>') + 1: #切片查找是如果没找到是会返回-1，我们+1让他返回0，再运行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)
#再将得到的列表拆分为字符串
text = ''.join(text_list) #以空字符串为间隔，将列表拆分为字符串
print(text)

第三个表格加文字的取出文字有点绕，多处理几遍就行了。