经常写文章的小白们会遇到这样的问题,知道想表达的意思,想出了大概描述的词汇,但就是缺乏完整漂亮的句子,也许曾经在某个地方看到过,但是找不到了。另外一种情况,阅读了大量的报告,用的时候想到了其中的某个结论或者数据,想要追根溯源却有点难。可惜word软件不提供在一堆文件里查找的功能,也没有类似于正则表达式的检索方法,只好自力更生来实现了。
python大法好。
依赖的包:python-docx
安装:pip install python-docx
引用:import docx
.docx文件的结构比较复杂,分为三层,1、Docment对象表示整个文档;2、Docment包含了Paragraph对象的列表,Paragraph对象用来表示文档中的段落;3、一个Paragraph对象包含Run对象的列表,用下面这个图说明Run到底是神马东西。
Word里面的文本不只是包含了字符串,还有字号、字体、颜色等等属性,都包含在style中。一个Run对象就是style相同的一段文本,新建一个Run就有新的style。
下面是一些简单的演示:
1 >>> importdocx2 >>> doc = docx.Document('D:\project\python\searchdocx\demo.docx')3 >>>doc4
5 >>>len(doc.paragraphs)6 7
7 >>>doc.paragraphs[0].text8 u'Document Title'
9 >>> doc.paragraphs[1].text10 u'A plain paragraph with some bold and some italic'
11 >>> len(doc.paragraphs[1].runs)12 5
13 >>> doc.paragraphs[1].runs[0]14
15 >>> doc.paragraphs[1].runs[0].text16 'A plain paragraph with'
17 >>> doc.paragraphs[2].runs[0].text18 'Heading, level 1'
19 >>> doc.paragraphs[1].runs[1].text20 'some'
21 >>>
当然,也可以写一个简单的方法,读取文档中的所有文字,不管格式。
importdocxdefreadDocx(docName):
fullText=[]
doc=docx.Document(docName)
paras=doc.paragraphsfor p inparas:
fullText.append(p.text)return '\n'.join(fullText)