用 python 解析 word 文件（一）：paragraph

太长了，我决定还是拆开三篇写。

（一）段落篇（paragraph）（本篇）
（二）表格篇（table）

（三）样式篇（style）

选你所需即可。下面开始正文。

最近公司的项目，需要在页面上显示 word 文件的内容。我找了几个前端写法，都没用明白（因为我前端太渣），用起来简单的要么收费，要么加了水印。那怎么办捏？

唉，还是按毛主席说的，自己动手，丰衣足食吧！

感谢徒弟给打下的基础，我不用挨个碰壁，直接就选择了 python-docx 这个库。当然，它也只能解析 docx 文件，解析不了 doc 文件。安装方式直接 pip 就可以。下面我们就正式开始解析的过程。

在 word 中的一个自然段，就是一个 paragraph，用最简单的方式
docx.paragraphs
就可以获得全部的段落。这是一个可迭代的类型，类似于数组如果我们用

p=docx.paragraphs[0]
就可以直接获得文章中的第一段，而接下来

p.text
就是第一段的全部文字内容。如果我们连贯起来写，代码应该是酱婶滴：

for p in docx.paragraphs:
print(p.text)
怎么样，是不是很方便？

不过，这样仅仅是获得了文字内容，而把格式全丢了。我说的格式，是加粗，颜色，居中等等这些排版设计的东西。在 paragraph 中，这些东西叫做 run。一个段落是由许多 run 组成的，就像这样：

而获得 run 其实也是非常简单的：
p.runs
即可。这同样是个可迭代的类型，可以循环获得每一个 run 相关的内容，比如 alignment（对齐方式），bold（加粗），italic（斜体），text（具体文本内容）等等。

可以用 dir 或 help 来查看具体的方法使用，内容有点多，我就不挨个介绍了。我只想吐槽一点，我也不知道 word 中这一堆 run 是如何来区分的。比如上面的截图，中英文分开不同的 run 我可以理解，但是前面那些 run 似乎没有什么道理。也许跟 word 的中文分词方式有关？

但是，如果设置了不同的样式，那么肯定会分成不同的 run 的。

通过查方法不难看出，python-docx 这个包，不仅可以读出 paragraph 的内容，还可以往里面写。可以使用 add_paragraph() 方法来添加内容。大概这样：
复制代码
doc.add_paragraph(u’第一段’,style=None)
doc.add_paragraph(u’第二段’,style=‘Heading 2’)
p = doc.add_paragraph('')
p.add_run(‘第三段’, style=None)
p.add_run(‘123’, style=“Heading 1 Char”)
p.add_run(‘456’)
p.add_run(‘789’, style=“Heading 2 Char”)
复制代码
而对于每一个属性，都可以查看它的类型，这个类型一般在 docx 中是个枚举类型的常量，放在 docx.enum.text 这个头文件中。使用方法可以这样：

if p.alignment == WD_PARAGRAPH_ALIGNMENT.CENTER:
# todo
当然，我所做的这堆工作，目的其实不仅仅是为了获得文件内容，还要放在页面上展示。有了上面的属性，做起来就简单多了。

复制代码
html = “<p”

if title in self.paragraph.text and len(self.paragraph.text) < 15:
html += "style="text-align: center; font-size: 30px">"
elif self.paragraph.alignment == WD_PARAGRAPH_ALIGNMENT.CENTER:
html += "style="text-align: center; font-size: 15px">"
elif self.paragraph.alignment == WD_PARAGRAPH_ALIGNMENT.RIGHT:
html += "style="text-align: right; font-size: 15px">"
else:
html += "style="font-size: 15px">"

html += “%s

{{paragraph|safe}}
来展示。

注意这里的 safe 过滤器，这个是必须的，否则会尴尬地发现，html 代码不会转义，会原样输出出来。

当然，还有更尴尬的。有一个问题我还没有解决，那就是列表，我找了好久都没有找到自动编号的位置，甚至去读了 word 生成的 xml 文档——word 可以另存为 xml 格式，也可以在 python-docx 中通过
p.paragraph_format.element.xml

方法获得段落的 xml——但是分析了半天，我都没弄清楚段落的自动编号是如何生成的，留下了一个巨大的遗憾。

写一篇就介绍到这里吧，内容还是相对简单一些，因为 paragraph 还是相对比较好取的。下一篇我将介绍一下 table 的解析。

本文原创自博客园文章，想了解 python 相关技巧，欢迎到我的博客踩踩 ~ 地址：http://www.cnblogs.com/anpengapple/