python 读取 word 文档内容学习分享

之前有小伙伴在社区中提过一个关于处理 word 文档中表格的问题，链接如下http://support.i-search.com.cn/article/1536027983339，我也是通过百度查资料进行一些学习，这里做一下自学的总结和分享。

1. 安装 python 的 docx 库

我们设计器是没有加载 docx 的库的，而读取 word 文档却需要用到这个库，因此首先你要下载库，由于 python3.x 版本移除了 exceptions 模块，但是 docx 包中引用了该模块，所以直接 pip 安装是不行的。

下载地址：python_docx-0.8.7-py2.py3-none-any.whl.zip
解压后的文件拷贝至目录C:\ueba\plugin\Com.Isearch.Func.Python\Scripts下
管理员方式运行 CMD，进入目录C:\ueba\plugin\Com.Isearch.Func.Python\Scripts
执行以下安装命令

   pip install python_docx-0.8.6-py2.py3-none-any.whl

在编辑器中 import docx，不报错则说明安装成功
![](http://support.i-search.com.cn/upload/e91e1b8ac21f41c2ad3be8988ea8cc67_20180904111

2. 读取 Word 文档内容

如果需要读取 word 文档中的文字，需要先了解 python-docx 模块的几个概念:
Document 对象，表示一个 word 文档。
Paragraph 对象，表示 word 文档中的一个段落
Paragraph 对象的 text 属性，表示段落中的文本内容。

我们先来看看如何调用对象，以下是 word 文档的内容：

import docx
file_doc = docx.Document(r"C:\test\test.docx")      #获取文档对象
print('word对象：' + str(file_doc.paragraphs))      #打印word段落的对象
print('文档段落数为：' + str(len(file_doc.paragraphs)))    #获取段落数，每个回车算一个段落，空行也算，但是不包含表格行

#运行结果：
word对象：
[<docx.text.paragraph.Paragraph object at 0x035523F0>, 
<docx.text.paragraph.Paragraph object at 0x035525B0>, 
<docx.text.paragraph.Paragraph object at 0x03552470>, 
<docx.text.paragraph.Paragraph object at 0x03552450>,
<docx.text.paragraph.Paragraph object at 0x035524B0>, 
<docx.text.paragraph.Paragraph object at 0x03552530>, 
<docx.text.paragraph.Paragraph object at 0x03552570>,
<docx.text.paragraph.Paragraph object at 0x03552630>,
<docx.text.paragraph.Paragraph object at 0x035525F0>, 
<docx.text.paragraph.Paragraph object at 0x035524F0>, 
<docx.text.paragraph.Paragraph object at 0x03552690>,
<docx.text.paragraph.Paragraph object at 0x03552610>, 
<docx.text.paragraph.Paragraph object at 0x03552710>]
文档段落数为：13

根据运行的结果你会发现，文档中 13 个回车就是 13 个段落，每一个段落都是一个 Paragraph 对象，当然表格当中的回车是不算段落的。

#通过Paragraph对象，打印出每行的内容
import docx
print('打印word文档中的内容：')
for i in file_doc.paragraphs:
    print(i.text)      #调用paragraphs对象的text方法
    tt = i.text
    list.append(tt)    #追加到一个数组变量中
print(‘List数据集：’ + str(list))
	
#运行结果：
打印word文档中的内容：
我是Word测试文档
你好，python
如何使用python读取word文档内容呢？
一起来研究学习一下！
开始！
List数据集：['我是Word测试文档', '', '你好，python', '', '如何使用python读取word文档内容呢？', '一起来研究学习一下！', '', '开始！', '', '', '', '', '']

这样就可以打印出 word 文档中的内容了，调用 Paragraph 对象的 text 方法时会默认去掉为空的行段落。

#也可以通过如下方式获取
import docx
for a in range(len(file_doc.paragraphs)):
    if file_doc.paragraphs[a].text:
        print('第'+str(a)+'行的内容是：'+str(file_doc.paragraphs[a].text))
    else:
        continue

#运行结果：
第0行的内容是：我是Word测试文档
第2行的内容是：你好，python
第4行的内容是：如何使用python读取word文档内容呢？
第5行的内容是：一起来研究学习一下！
第7行的内容是：开始！

3. 读取 Word 文档表格内容

以下是 word 文档的内容：

#我们来读取第一个表格中的数据
import docx
file_doc = docx.Document(r"C:\test\test.docx") 
tables = file_doc.tables   #获取文件中的表格集
print(tables)       #打印表格对象，
table = tables[0]     #获取文件中的第一个表格
for i in range(1,len(table.rows)):  #从表格第二行开始循环读取表格数据
    result = table.cell(i,0).text + ',' +table.cell(i,1).text + ',' + table.cell(i,2).text     # + table.cell(i,3).text
    #cell(i,0)表示第(i+1)行第1列数据，以此类推
    print(result)
		
运行结果：
[<docx.table.Table object at 0x02ED6570>, <docx.table.Table object at 0x02ED6470>]
张三,001,27
李四,002,30

这就可以读出第一个表格的数据了
由于文档中有两个表格，因此在打印表格对象的时候会有 2 个对象[<docx.table.Table object at 0x02ED6570>, <docx.table.Table object at 0x02ED6470>]
如果需要读取第二个表格的数据，tables[0]这里下标改为1即可

好了，这是一个简单的分享，大家有更多更好的方法记得分享出来哈。