python办公自动化（6）——读取word文档

一、思路和基础知识

因为我们要进行文件相关的操作，所以需要在一开始使用import导入Python内置的os模块。

我们需要先获取该文件夹下所有的答题卡列表，再使用for循环遍历文件夹中所有学生的答题卡，以便之后逐个读取信息。
完成了第一个步骤，接下来，我们就需要在for循环里，依次获取每位学生的班级、姓名、学号、选择题分数和填空题分数。

面对总共三个班的学生，每位学生都有相对应的五条信息，我们应该如何在程序中存储这些数据呢？我们可以在for循环内，使用字典来存储每位学生的信息。在这个字典中，我们用5个键（key）值（value）对来分别存储学生的班级、姓名、学号、填空题成绩和选择题成绩。键的名称和对应数据如图所示。

确定使用字典来存储每个学生的数据后，我们可以在for循环外，使用一个列表来汇总存储所有学生的字典数据。如图所示：列表中的每个元素就是一个装了学生信息的字典。

# 使用import导入os模块
import os

# 将乔老师的答题卡文件夹路径 /Users/qiao/answerKey 赋值给变量allKeyPath
allKeyPath = "/Users/qiao/answerKey"
# 使用os.listdir()函数获取该路径下所有的文件，并赋值给变量allItems
allItems = os.listdir(allKeyPath)

# 定义一个空列表allStudentsData存储所有学生数据
allStudentsData = []

# 使用for循环逐个遍历所有学生答题卡
for item in allItems:
    # 定义一个空字典studentData存储单个学生数据
    studentData = {}
    
    # 使用os.path.splitext()函数获取文件名的前半段，并赋值给变量fileName
    fileName = os.path.splitext(item)[0]
    # 使用split()函数以"-"分隔文件名，将第1部分班级信息赋值到学生数据字典的classInfo键里
    studentData["classInfo"] = fileName.split("-")[0]
    # 使用split()函数以"-"分隔文件名，将第2部分姓名信息赋值到学生数据字典的name键里
    studentData["name"] = fileName.split("-")[1]

    # 使用append()函数将studentData添加到总学生数据allStudentsData中
    allStudentsData.append(studentData)
    
# 使用print输出变量allStudentsData
print(allStudentsData)

刚刚我们已经完成了前两步，现在我们来完成第三步：确定答题卡中要读取的信息位置。

在开始确定答题卡中要读取的信息位置前，我们需要先学习一下Word文档的基本结构。
一个Word文件就是一个Word文档（Document）。Word文档（Document）的基本组成单位是段落（Paragraph）。标题、目录、正文、图形、空行都是段落。每个段落之中的内容可以具有不同的样式（Style）。常见的样式有：字体、字形、字号、字体颜色、下划线、删除线、上标和下标等。连续具有相同样式的基本单元可称为一个样式块（run）。例如，图中这一段话原本是同一个样式块。但在这个段落中加粗一个字，那么这个字就形成了一个样式块。并且这个加粗的字的左右两边都被切割成了新的样式块。这样这句话就变成了三个样式块。没有任何内容的空行段落里没有样式块。段落里只要有内容就至少包含一个样式块。

除了段落外，Word文档中还能嵌入表格（Table）。表格和段落在Word文档中属于并列级别。也就是说表格不属于任何段落，我们不能够通过遍历段落来获取表格。

和Excel表格的结构很相似，Word文档中的表格也是由单元格（Cell）组成。单元格中的内容可以包含段落和表格，相当于独自构成了一个完整的Word文档。

二、安装docx

要使用Python对Word文档进行读取，我们需要安装一个用于读取数据的工具python-docx。

python-docx是一个用于创建和更新Word文档的开源模块。需要注意的是，该模块只可读取、写入.docx文件，不支持.doc文件。

安装python-docx非常简单，在终端中输入代码：pip install python-docx即可。

如果在自己电脑上安装不上或安装缓慢，可在命令后添加如下配置进行加速：
pip install python-docx -i https://pypi.tuna.tsinghua.edu.cn/simple/

三、读取doc文档

在安装和导入python-docx之后，读取指定路径下的Word文档需要使用函数：docx.Document()。只需将Word文档的路径作为参数传入该函数中即可。docx.Document()函数读取成功后，会返回一个Word文档对象。

乔老师要读取文件夹中的每一份答题卡，就需要在for循环里，先使用os.path.join()函数拼接出当前答题卡的路径。我们将拼接好的路径赋值给了keyPath。然后，再将keyPath作为参数传入到***docx.Document()***函数内即可。我们把读取出来的结果赋值给了变量doc，并输出进行查看。
可以看到，读取出的结果是一个个的Word文档对象。

# 使用import导入os模块
import os
# 使用import导入docx
import docx

# 将乔老师的答题卡文件夹路径 /Users/qiao/answerKey 赋值给变量allKeyPath
allKeyPath = "/Users/qiao/answerKey"
# 使用os.listdir()函数获取该路径下所有的文件，并赋值给变量allItems
allItems = os.listdir(allKeyPath)

# 定义一个空列表allStudentsData存储所有学生数据
allStudentsData = []

# 使用for循环逐个遍历所有学生答题卡
for item in allItems:
    # 定义一个空字典studentData存储单个学生数据
    studentData = {}
    
    # 使用os.path.splitext()函数获取文件名的前半段，并赋值给变量fileName
    fileName = os.path.splitext(item)[0]
    # 使用split()函数以"-"分隔文件名，将第1部分班级信息赋值到学生数据字典的classInfo键里
    studentData["classInfo"] = fileName.split("-")[0]
    # 使用split()函数以"-"分隔文件名，将第2部分姓名信息赋值到学生数据字典的name键里
    studentData["name"] = fileName.split("-")[1]
    
    # 使用os.path.join()函数拼接出答题卡路径，并赋值给变量keyPath
    keyPath = os.path.join(allKeyPath, item)
    # 读取答题卡并赋值给变量doc 
    doc = docx.Document(keyPath)   
    # 使用print输出doc
    print(doc)
    
    # 使用append()函数将studentData添加到总学生数据allStudentsData中
    allStudentsData.append(studentData)

结果

<docx.document.Document object at 0x7f7b215519b0>
<docx.document.Document object at 0x7f7b21555be0>
<docx.document.Document object at 0x7f7b2155ea00>
<docx.document.Document object at 0x7f7b215657d0>
<docx.document.Document object at 0x7f7b215685a0>
<docx.document.Document object at 0x7f7b21568f50>
<docx.document.Document object at 0x7f7b2156cd20>
<docx.document.Document object at 0x7f7b214f1eb0>
<docx.document.Document object at 0x7f7b214f6c80>
<docx.document.Document object at 0x7f7b214f8a50>

四、读取段落

逐个读取答题卡后，我们可以访问Word文档（Document）中的 .paragraphs 属性，来获取文档中的段落列表。

段落列表的组成元素是所有的段落对象，可以使用索引定位到指定的段落对象。

import docx
doc = docx.Document("假装这是一份答题卡.docx")
para = doc.paragraphs[3]

五、读取指定样式

获取了第四段的段落对象后，还需要读取这一段中指定的样式块。要获取段落中的样式块列表，需要访问段落对象中的 .runs 属性。样式块列表的组成元素是所有的样式块对象。同样，可以通过索引获取到指定的样式块。
通过上节课的定位，我们知道了学生学号具体位于第4段中的第2个样式块。

那么，用2这个数字减一即可得到对应的索引来进行读取，具体代码如下：

# 使用import导入os模块
import os
# 使用import导入docx
import docx

# 将乔老师的答题卡文件夹路径 /Users/qiao/answerKey 赋值给变量allKeyPath
allKeyPath = "/Users/qiao/answerKey"
# 使用os.listdir()函数获取该路径下所有的文件，并赋值给变量allItems
allItems = os.listdir(allKeyPath)

# 定义一个空列表allStudentsData存储所有学生数据
allStudentsData = []

# 使用for循环逐个遍历所有学生答题卡
for item in allItems:
    # 定义一个空字典studentData存储单个学生数据
    studentData = {}
    
    # 使用os.path.splitext()函数获取文件名的前半段，并赋值给变量fileName
    fileName = os.path.splitext(item)[0]
    # 使用split()函数以"-"分隔文件名，将第1部分班级信息赋值到学生数据字典的classInfo键里
    studentData["classInfo"] = fileName.split("-")[0]
    # 使用split()函数以"-"分隔文件名，将第2部分姓名信息赋值到学生数据字典的name键里
    studentData["name"] = fileName.split("-")[1]
    
    # 使用os.path.join()函数拼接出答题卡路径，并赋值给变量keyPath
    keyPath = os.path.join(allKeyPath, item)
    # 读取答题卡并赋值给变量doc 
    doc = docx.Document(keyPath)
    
    # 读取第四段学号段，并赋值给变量idPara
    idPara = doc.paragraphs[3]
    # 读取学号段中第二个样式块，并赋值给变量idRun
    idRun = idPara.runs[1]
    
    # 使用append()函数将studentData添加到总学生数据allStudentsData中
    allStudentsData.append(studentData)

六、读取指定内容

刚刚我们获取到的是段落和样式块对象，要想读取到真正的文本内容，需要通过***.text***属性来访问。不同的需求对应不同的操作。

比如：如果想读取某一段落中的所有文本，就使用**.paragraphs[{段落索引}]**获取到段落对象后，再访问它的.text属性；

如果想读取某一个样式块中的文本内容，则是在使用***doc.paragraphs[{段落索引}].runs[{样式块索引}]***读取到具体的样式块对象后，访问.text属性。

本例中，展示了读取学号的具体代码，也就是读取第四段的第二个样式块的文本内容。我们将读取出来的结果存储到了studentData字典里的id键中。在代码最后，使用print输出了存储所有学生信息的列表allStudentsData

# 使用import导入os模块
import os
# 使用import导入docx
import docx

# 将乔老师的答题卡文件夹路径 /Users/qiao/answerKey 赋值给变量allKeyPath
allKeyPath = "/Users/qiao/answerKey"
# 使用os.listdir()函数获取该路径下所有的文件，并赋值给变量allItems
allItems = os.listdir(allKeyPath)

# 定义一个空列表allStudentsData存储所有学生数据
allStudentsData = []

# 使用for循环逐个遍历所有学生答题卡
for item in allItems:
    # 定义一个空字典studentData存储单个学生数据
    studentData = {}
    
    # 使用os.path.splitext()函数获取文件名的前半段，并赋值给变量fileName
    fileName = os.path.splitext(item)[0]
    # 使用split()函数以"-"分隔文件名，将第1部分班级信息赋值到学生数据字典的classInfo键里
    studentData["classInfo"] = fileName.split("-")[0]
    # 使用split()函数以"-"分隔文件名，将第2部分姓名信息赋值到学生数据字典的name键里
    studentData["name"] = fileName.split("-")[1]
    
    # 使用os.path.join()函数拼接出答题卡路径，并赋值给变量keyPath
    keyPath = os.path.join(allKeyPath, item)
    # 读取答题卡并赋值给变量doc 
    doc = docx.Document(keyPath)
    
    # 读取第四段学号段，并赋值给变量idPara
    idPara = doc.paragraphs[3]
    # 读取学号段中第二个样式块，并赋值给变量idRun
    idRun = idPara.runs[1]
    # 读取学号，并赋值到学生数据字典的id键里
    studentData["id"] = idRun.text
    
    # 使用append()函数将studentData添加到总学生数据allStudentsData中
    allStudentsData.append(studentData)
    
# 使用print输出变量allStudentsData
print(allStudentsData)

七、读取Word内置段落样式名称

第11课中，我们提到“每个段落之中的内容可以具有不同的样式（Style）”。在python-docx模块中，每一个内置样式都有不同的样式名称。

通过访问段落下的 .style 属性，可以获取段落中的样式列表。
然后，再通过访问样式列表下的 .name 属性，就可以获取到真正的样式名称啦。

例如，获取段落para的样式名称，并赋值给变量styleName的代码为：

styleName = para.style.name

“万能思路”是Word文档中的Title（标题)
“适用题目”是Word文档中的Heading 1（标题 1）
“练习”是Word文档中的Heading 2（标题 2）
“答案”是Word文档中的Normal（正文）

八、遍历索引

简单来说，enumerate()函数用来遍历一个可遍历对象中的元素，同时通过一个计数器变量记录当前元素所对应的索引值。

比如刚才的代码中：
存储标准答案的列表standardTwo可以作为可遍历的对象；
而记录学生答案的索引idx则可以看作是用于计数的变量。

***enumerate()***函数常用于for循环中。当我们既需要一个计数器，又需要可遍历对象的值时，就可以使用enumerate()函数。

1）修改起始索引

要设置索引的初始值，可以直接将初始值作为可选参数传入enumerate()函数中。比如，我们希望idx从8开始，直接将8传入enumerate()中即可。根据输出可以看到，现在idx的值，就是学生填空题答案的段落索引，起始值为8。

# 使用for循环和enumerate()函数
    # 遍历储存标准答案的列表standardTwo的同时
    # 生成一个从8开始的index
    for idx,value in enumerate(standardTwo,8):
        # 格式化输出：索引值n所对应的列表元素是xxx
        print(f"索引值{idx}所对应的列表元素是{value}")
#value用于在for循环里，存储遍历时standardTwo中的元素。
#idx相当于一个计数器变量，用于在for循环里，记录standardTwo里各元素所对应的索引值。

结果

索引值8所对应的列表元素是东临碣石
索引值9所对应的列表元素是行舟绿水前
索引值10所对应的列表元素是孤山寺北贾亭西

九、批量写入Word文档的表格

需要注意的是，Excel工作簿中这几列存储的数据是整型（int），不是字符串。

但是add_text()和add_run()函数的参数只能接收字符串类型，所以在读取数据时需要将整型数据转化为字符串。

1、数据类型转为字符串

在Python中，可以通过***str()***函数，将一个对象转化为string格式。只需将需要转换的对象作为参数，传入str()函数中即可。

文章出处登录后可见！

已经登录？立即刷新