版权声明：转载请注明出处 https://blog.csdn.net/qq_42806416/article/details/87099782
title: python实现word判断索引页码
date: 2019-02-12 15:09:39
tags:
- word
- python
categories: - python
- 自动化
python判断word页码
1、整体思路
word的源码格式类似于xml，目前无法直接解析word页码
整体思路是 先将word转成pdf， 通过对PDF每一页进行文字提取，判断页码。
2、使用到的python库
主要是 pdfminer库进行word转换成PDF，windows去下载pdfminer3k ，该库的准确率很高，不用担心正确率的问题
python处理PDF有两个比较常见的库，另一个是pypdf2，该库在我的项目中表现比较差，提取PDF中的文字时准确率比较低，所以放弃了。
3、windows下安装pdfminer3k
pip install pdfminer3k
4、环境
python3.6
windows
5、代码
import os
import sys
import importlib
importlib.reload(sys)
import re
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
from win32com.client import Dispatch, constants, gencache
rootDir = os.getcwd() + r"\root"
projectDir = os.getcwd()
logPath = os.path.join(projectDir, r'log.txt')
colorLogPath = os.path.join(projectDir, r'colorLog.txt')
def log(*args):
"""
输出灰印日志
:param data:
"""
data = "#".join(list(args))
# print(data)
with open(logPath, 'a') as f:
f.write(data + "\n")
def colorLog(*args):
"""
输出彩印日志
:param data:
"""
data = "#".join(list(args))
with open(colorLogPath, 'a', encoding='utf-8') as f:
f.write(data + "\n")
def readPartItems(partItemsPath):
"""
读取信息
:param partItemsPath:
:return:
"""
with open(partItemsPath, 'r', encoding='utf-8') as f:
return f.read()
def pdfParse(path, kws):
"""
解析pdf 文本，返回关键检索信息
:param path: pdf路径
:param kws: 匹配的关键字列表
:return: 元祖(blackPrint, corlorPrint,capNames) （[灰色页] ，[彩色页]）
"""
colorPrint = [] # 彩色打印页码
blackPrint = [] # 黑白打印页码
cpaNames = [] #注册师
fp = open(path, 'rb') # 以二进制读模式打开
# 用文件对象来创建一个pdf文档分析器
praser = PDFParser(fp)
# 创建一个PDF文档
doc = PDFDocument()
# 连接分析器 与文档对象
praser.set_document(doc)
doc.set_parser(praser)
# 提供初始化密码
# 如果没有密码 就创建一个空的字符串
doc.initialize()
# 检测文档是否提供txt转换，不提供就忽略
if not doc.is_extractable:
raise PDFTextExtractionNotAllowed
else:
# 创建PDf 资源管理器 来管理共享资源
rsrcmgr = PDFResourceManager()
# 创建一个PDF设备对象
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
# 创建一个PDF解释器对象
interpreter = PDFPageInterpreter(rsrcmgr, device)
count = 0 # 记录页数
# 循环遍历列表，每次处理一个page的内容
for page in doc.get_pages(): # doc.get_pages() 获取page列表
count += 1
interpreter.process_page(page)
# 接受该页面的LTPage对象
layout = device.get_result()
# 这里layout是一个LTPage对象 里面存放着 这个page解析出的各种对象 一般包括LTTextBox, LTFigure, LTImage, LTTextBoxHorizontal 等等 想要获取文本就获得对象的text属性，
results = ''
for x in layout:
if (isinstance(x, LTTextBoxHorizontal)):
results += x.get_text()
# 正则匹配是否彩印
pattern = '|'.join(kws)
data = re.findall(pattern, results, re.S)
# 正则匹配注册会计师的姓名
pattern = '中国注册会计师：\s*(.*?)\n'
nameList = re.findall(pattern, results, re.S)
for i in nameList:
cpaNames.append("".join(re.split(r'\s+', i)))
# 区分彩灰打印页
if data:
colorPrint.append(str(count))
else:
blackPrint.append(str(count))
return blackPrint, colorPrint, cpaNames
def createPdf(wordPath, pdfPath):
"""
word转pdf
:param wordPath: word文件路径
:param pdfPath: 生成pdf文件路径
"""
word = gencache.EnsureDispatch('Word.Application')
doc = word.Documents.Open(wordPath, ReadOnly=1)
doc.ExportAsFixedFormat(pdfPath,
constants.wdExportFormatPDF,
Item=constants.wdExportDocumentWithMarkup,
CreateBookmarks=constants.wdExportCreateHeadingBookmarks)
word.Quit(constants.wdDoNotSaveChanges)
def printCredential(cpaNames):
# print("打印证书：", cpaNames)
pass
def createData(path):
data = readPartItems(path + "\project_part_items.txt")
item = data.split("\n")
if not os.path.exists(r'%s\pdfCachDir' % projectDir):
os.mkdir(r'%s\pdfCachDir' % projectDir)
pdfCachDir = r'%s\pdfCachDir' % projectDir # pdf存放目录
fileNameList = os.listdir(path)
cpaNames = [] #需要打印证书的名字
for file in fileNameList:
pages = "Default"
copies = "1"
(fileName, extension) = os.path.splitext(file)
fileAbsPath = os.path.join(path, file)
#word
if "封面" in fileName and extension in ['.docx', '.doc']:
log(extension, fileAbsPath, pages, copies)
#word
elif "正文" in fileName and extension in ['.docx', '.doc']:
pdfAbsPath = os.path.join(pdfCachDir, fileName + '.pdf') # pdf 路径
if not os.path.exists(pdfAbsPath): # pdf是否存在
createPdf(fileAbsPath, pdfAbsPath)
kws = ["中国注册会计师", "中国·北京"]
# 解析pdf 该返回二维列表 [[灰白印页], [彩印页], [cpanames]
blackPrint, colorPrint, cpaNames = pdfParse(pdfAbsPath, kws)
# 灰白打印记入文件
log(extension,fileAbsPath, ",".join(blackPrint), copies)
# 彩色打印记入文件
colorPages = str(','.join(colorPrint[1]))
pattern = "正文.docx:(.*?)\n"
dataId = re.findall(pattern, data)[0]
colorLog(item[0].split(":")[-1], item[1].split(":")[-1], copies, "%s$%s" % (dataId, colorPages))
# 删除pdf缓存文件
os.remove(pdfAbsPath)
pass
# ecxl文件操作
elif "报表" in fileName and extension in ['.xls', '.xlsx']:
# print('正在写入灰白打印记录', fileAbsPath)
log(extension, fileAbsPath, pages, copies)
pass
# word
elif '附注' in fileName and extension in ['.docx', '.doc']:
# print('正在写入灰白打印记录', fileAbsPath)
log(extension, fileAbsPath, pages, copies)
pass
# 最终处理打印证书
printCredential(cpaNames)
def main(rootDir):
fileDirs = os.listdir(rootDir)
for fileDir in fileDirs:
fileDirPath = os.path.join(rootDir, fileDir)
createData(fileDirPath)
def err():
if os.path.exists(logPath):
os.remove(logPath)
if os.path.exists(colorLogPath):
os.remove(colorLogPath)
if os.path.exists(r'%s\pdfCachDir' % projectDir):
pdfCachDir = r'%s\pdfCachDir' % projectDir # pdf存放目录
for pdf in os.listdir(pdfCachDir):
pdfPath = os.path.join(pdfCachDir, pdf)
os.remove(pdfPath)
os.rmdir(pdfCachDir)
if __name__ == '__main__':
try:
main(rootDir)
except:
err()