【python自动化办公（13）】python读取Word文档内容（python-docx库的使用）

python-docx库的安装

命令行窗口下输入下面代码

pip install python-docx -i https://pypi.tuna.tsinghua.edu.cn/simple

–> 输出结果为：

python-docx库的导入

不需要使用全称，直接使用下面代码就可以了

import docx

检验是否导入成功

Word文档结构

Documeent： 文档

Paragraph: 段落

Run： 文字块（三种不同的样式就是三个文字块）

读取Word文档内容

doc.paragraphs 得到的是一个列表，包含了每个段落的实例

import os
os.chdir('D:\\python_major\\auto_office13')
from docx import Document

doc = Document('这是一个文档.docx')
print(doc.paragraphs)

–> 输出结果为：
[<docx.text.paragraph.Paragraph object at 0x02F1FE30>, <docx.text.paragraph.Paragraph object at 0x02F1FFF0>]

paragraphs.text 得到该段落的文字内容

import os
os.chdir('D:\\python_major\\auto_office13')
from docx import Document

doc = Document('这是一个文档.docx')
for paragraph in doc.paragraphs:
	print(paragraph.text)

–> 输出结果为：

这是第一段内容
这是第二段，加粗，斜体

paragraphs.runs 得到一个列表，包含了每个文字块

import os
os.chdir('D:\\python_major\\auto_office13')
from docx import Document

doc = Document('这是一个文档.docx')
paragraph = doc.paragraphs[1]
runs = paragraph.runs
print(runs)

–> 输出结果为：
[<docx.text.run.Run object at 0x03A7FF10>, <docx.text.run.Run object at 0x03A7FF50>, <docx.text.run.Run object at 0x03A7FF90>, <docx.text.run.Run object at 0x03A7FFD0>]

run.text 得到该文字块的文字内容

import os
os.chdir('D:\\python_major\\auto_office13')
from docx import Document

doc = Document('这是一个文档.docx')
paragraph = doc.paragraphs[1]
runs = paragraph.runs
for run in runs:
	print(run.text)

–> 输出结果为：

这是第二段，
加粗
，
斜体

综合应用

编写一个Python程序，要求

（1）打开文件"Netease Q2 2019 Earnings Release-Final.docx"

（2）计算关键词profit出现的次数

参考代码

import os
os.chdir('D:\\python_major\\auto_office13')
from docx import Document

doc = Document('Netease Q2 2019 Earnings Release-Final.docx')
ls_1 = []
count = 0
for paragraph in doc.paragraphs:
	if 'profit' in paragraph.text:
		count += 1
		#print("profit关键词出现：{}次\n".format(count))
		#print(paragraph.text)
		ls_1.append(paragraph.text)

print(count)

–> 输出结果为：12

检验

直接打开Word文件，使用查找功能，寻找profit这个单词，发现这个单词出现了25次，但是这里把Profit和profits都检索出来了，还有一些profit关键词是存在表格里面的，最后通过计数发现总共有17个‘profit’关键词（这里指的是在文本内容中的，不包含表格里面的和大小写及复数的情况）

调试

由于当前的学习，只学习到了提取Word文件中的文本内容，并未学习到提取表格的内容，所以表格里含有关键词‘profit’的进行忽略，而为什么进行文本内容的提取关键词少了一些，经过调试发现，并不是一段里面只有一个“profit”，有些段落里面有多个，所以这里就造成了数量的减少，这里进行了两种方式的尝试

第一种方式、按照paragraph的文字内容进行统计

调试过程中，生成的ls_1列表就是包含了profit关键词的所有段落，然后再将所有的段落合并成一段lst，最后在对lst里面的单词进行一一匹配，如果单词是profit就+1

import os
os.chdir('D:\\python_major\\auto_office13')
from docx import Document

doc = Document('Netease Q2 2019 Earnings Release-Final.docx')
ls_1 = []
count = 0
for paragraph in doc.paragraphs:
	if 'profit' in paragraph.text:
		count += 1
		#print("profit关键词出现：{}次\n".format(count))
		#print(paragraph.text)
		ls_1.append(paragraph.text)

lst = ["".join(x for x in ls_1)]
s = 0
for i in lst[0].split(" "):
	if i == 'profit':
		s += 1
		
print("含有profit单词的段落有：{}个\n".format(len(ls_1)))
print("profit关键词一共出现：{}次".format(s))

–> 输出结果为：

含有profit单词的段落有：12个

profit关键词一共出现：17次

第一种方式、按照run的文字内容进行统计

import os
os.chdir('D:\\python_major\\auto_office13')
from docx import Document

doc = Document('Netease Q2 2019 Earnings Release-Final.docx')
num = 0
ls_2 = []
for paragraph in doc.paragraphs:
	runs = paragraph.runs
	for run in runs:
		if 'profit' in run.text:
			num += 1
			#print("profit关键词出现：{}次\n".format(num))
			#print(run.text)
			ls_2.append(run.text)

lst = ["".join(x for x in ls_2)]
s = 0
for i in lst[0].split(" "):
	if i == 'profit':
		s += 1
print("含有profit单词的文字块有：{}个\n".format(len(ls_1)))
print("profit关键词一共出现：{}次".format(s))

–> 输出结果为：

含有profit单词的文字块有：16个

profit关键词一共出现：17次

全部代码

import os
os.chdir('D:\\python_major\\auto_office13')
from docx import Document

doc = Document('Netease Q2 2019 Earnings Release-Final.docx')
ls_1 = []
count = 0
for paragraph in doc.paragraphs:
	if 'profit' in paragraph.text:
		count += 1
		#print("profit关键词出现：{}次\n".format(count))
		#print(paragraph.text)
		ls_1.append(paragraph.text)

#print("含有profit单词的段落有：{}个\n".format(len(ls_2)))

num = 0
ls_2 = []
for paragraph in doc.paragraphs:
	runs = paragraph.runs
	for run in runs:
		if 'profit' in run.text:
			num += 1
			#print("profit关键词出现：{}次\n".format(num))
			#print(run.text)
			ls_2.append(run.text)


lst = ["".join(x for x in ls_2)]
s = 0
for i in lst[0].split(" "):
	if i == 'profit':
		s += 1
print("含有profit单词的文字块有：{}个\n".format(len(ls_2)))
print("profit关键词一共出现：{}次".format(s))

最后如果要提取包含大小写或者负数的profit关键词，这个操作和【python自动化办公（1）】里面的要求几乎一致，可以查看相应的内容，这里不进行叙述了