Python 遍历读取Word文档全部内容_Hushi1706IT的博客

link之家
链接快照平台
输入网页链接，自动生成快照
标签化管理网页链接
2.读取word文档对象

doc = docx.Document('test.docx')
3.编写能依次遍历文档内容的函数
 
'''依次遍历文档内容的函数'''
def iter_block_items(parent):
    # 判断传入的是否为word文档对象，是则获取文档内容的全部子对象
    if isinstance(parent, Document):
        parent_elm = parent.element.body
    # 判断传入的是否为单元格，是则获取单元格内全部子对象
    elif isinstance(parent, _Cell):
        parent_elm = parent._tc
    else:
        raise ValueError("something's not right")
    # 遍历全部子对象
    for child in parent_elm.iterchildren():
        # 判断是否为段落，是则返回段落对象
        if isinstance(child, CT_P):
            yield Paragraph(child, parent)
        # 判断是否为表格，是则返回表格对象
        if isinstance(child, CT_Tbl):
            yield Table(child, parent)
yield与return用法相似，yield在返回结果后，第二次调用该函数的时候将会是接着yield之后开始进行执行。所以第二次之后执行该函数是都在for循环里面，直到遍历完word内容的全子对象。 
4.处理表格对象数据
 
'''获取表格数据，转换为dataframe数据结构'''
def get_table_dataframe(table):
    date = []
    keys = None
    for i, row in enumerate(table.rows):
        # 获取表格一行的数据
        text = (cell.text for cell in row.cells)  # text为generator生成器类型
        # 判断是否是表头
        if i == 0:
            keys = tuple(text)
            continue
        date.append(dict(zip(keys, text)))  # zip方法，按列打包为元组的列表。再转换为字典
    df = pd.DataFrame(date)  # pd依赖的DataFrame方法将字典数据转换成列表集
    return df
5.遍历word文档对象
 
# 遍历word文档，最后调用函数没有返回值时停止遍历
for block in iter_block_items(doc):
    # print(block.style.name)
    # 判断是否是表格
    if block.style.name == 'Table Grid':
        df = get_table_dataframe(block)
        print(df)
    # 判断该子对象是否是正文
    elif block.style.name == 'Normal':
        print(block.text)
    # 判断是否为标题1。如果是Heading 2则判断是否为标2，以此类推。
    elif block.style.name == 'Heading 1':
        print(block.text)
运行效果如下： 
这是标题1
这是正文的一段话。下面是表格。
   1  2  3
0  1  1  2
1  3  1  2
2  3  1  3
这是正文的一段话。上面是表格
6.保存表格对象数据
 
（1）保存到csv 
# path为：保存路径+文件名.csv。sep表示用逗号分隔,index是否要索引，header是否要列名
df.to_csv(path, sep=',', index=False, header=True, encoding='utf_8_sig')
（2）保存到excel 
# path为：保存路径+文件名.xlsx。
df.to_excel(path, index=False, header=True, encoding='utf_8_sig')
7.读取表格数据
 
如果之后还需要读取在csv或者excel中的数据，我们可以用一下方法获取数据。
 （1）从csv中读取 
df = pd.read_csv(path)
（2）从excel中读取 
# 读取工作簿第一个表
df = pd.read_excel(path, sheet_name='Sheet1')
                                    原版链接：实现方法：找到所需文档用的起始光标和结束光标，然后进行复制即可。浅说一下这里：用代码 search_range.Find.Execute(FindText=“标题一”)查找到标题一再用search_range.Select()选取标题一最后 word.Selection.MoveLeft()光标左移start = word.Selection.Start.numerator找到位置# 光标start的查找# 赋值对象# 查找内容。
                                    小福利，教你用Python读取文件夹下面的所有word文档
解决问题要换多种思路，多去寻找答案，也许你苦苦不能解决的问题，前面早就有大神帮你解决过了。
感谢前面探路的大神，对你们表示崇高的敬意。
import docx
from win32com import client as wc
import matplotlib.pyplot as plt
from collections import Counter
import os
path = r'D:\\abc'
files_list = os.li
                                    我们平时工作的时候会有很多的时候会遇到需要将word里面的有些杂乱的数据格式化到Excel中去，但是如果手动操作那真是【超级无语】，很崩溃，几百页的word让你慢慢复制粘贴，会死掉的。所以我们需要使用程序来完成，使用python先通过【docx】的包将word中的文字逐行读取出来，再根据行的数据格式进行数据清洗，清洗成对应的列表数据，批量写入Excel即可，这里我写入的是【CSV】文件，也可以通过Excel直接打开的。
                                    这是我第一次在这里发表文章，我想写一个脚本，以docx作为输入，并选择某些段落(包括表格和图像)以相同的顺序复制到另一个模板文档中(而不是最后)。我遇到的问题是，当我开始迭代元素时，我的代码无法检测到图像，因此我无法确定图像相对于文本和表格的位置，也无法确定它是哪个图像。简而言之，我得到了doc1：文本图像文本表文本最后我要说的是：文本[图像丢失]文本表文本到目前为止我得到的结果是：-我可以重复段...
path = "E:\\python_data\\1234.docx" #文件路径
document = Document(path) #读入文件
tables = document.tables #获取文件中的表格集
table = tables[0 ]#获取文件中的第一个表格
for i in range...
                                    然后：通过遍历表格第一行，找出其中含有“解释口径”的那一列，通过函数find将列名提取出来。然后将该列通过set()去除重复的单元格，将不需要的信息剔除，存入列表中的第四个位置。前三个位置通过分离文件路径存入场景id，节点名称，excel表格名称。首先：通过os模块获取文件的路径，判断该路径是文件还是路径，保存文件路径。输出：场景id，节点名称，excel表格名称，口径。任务需要提取一个三级文件夹下面的xlsx表格的需要获取文件路径，特定列，以及去掉每个表格特定列中相同内容。
                                    董付国老师面向计算机相关专业的教材《Python程序设计（第2版）》和面向非计算机专业的教材《Python程序设计基础（第2版）》同时被评为清华大学出版社2019年度畅销图书。封面图片：...