1，利用python读取纯文字的word文档，读取段落和段落里的文字。

先读取段落，代码如下：

1 '''

2 #利用python读取word文档，先读取段落

3 '''

4 #导入所需库

5 from docx import Document

6

7 #打开word文档

8 document = Document("D:/路径/长恨歌.docx")

9

10 #获取所有段落

11 all_paragraphs = document.paragraphs

12 #打印看看all_paragraphs是什么东西

13 print(type(all_paragraphs)) #，打印后发现是列表

14 #是列表就开始循环读取

15 for paragraph in all_paragraphs:

16 #打印每一个段落的文字

17 print(paragraph.text)

效果：

再读取段落里的内容，代码如下：

1 '''

2 #利用python读取word文档

3 '''

4 #导入所需库

5 from docx import Document

6

7 #打开word文档

8 document = Document("D:/路径/长恨歌.docx")

9

10 #获取所有段落

11 all_paragraphs = document.paragraphs

12 #打印看看all_paragraphs是什么东西

13 print(type(all_paragraphs)) #，打印后发现是列表

14 #是列表就开始循环读取

15 for paragraph in all_paragraphs:

16 #打印每一个段落的文字

17 #print(paragraph.text)

18 #循环读取每个段落里的run内容

19 for run in paragraph.runs:

20 print(run.text) #打印run内容

效果如下：

其实都准确的获取了文字内容，但是paragraph是保留了word文档里的换行符，而run是没有保留的。

2，利用python读取纯表格文档，那要读取的文字都是存储在单元格里，需要读取单元格里的内容：

1 '''

2 #利用python读取word文档，表格文档

3 '''

4 #导入所需库

5 from docx import Document

6

7 #打开文件

8 document = Document("D:/路径/长恨歌-表格.docx")

9 #获取文档所有表格

10 all_tables = document.tables

11

12 #打印all_tables类型

13 print(type(all_tables)) #得到，即列表

14 #开始循环读取表格列表

15 for table in all_tables:

16 #循环读取表格的每一行

17 for row in table.rows:

18 #print(row)

19 #循环读取表格的每一个单元格

20 for cell in row.cells:

21 #打印单元格里的内容

22 print(cell.text) #打印

3，利用python读取word文档，文档是表格加文字组合而成的。这个就设计word文档格式问题了。将要处理的word文档后缀名改为zip，发现也可以打开，里面有几个文件如图：

点开word目录，发现有个document.xml，这就是我们要处理的文件。

代码开始：

1 '''

2 #利用python读取word文档，表格文档

3 '''

4 #导入所需库

5 import zipfile #解压文件库

6 #先将要处理的word文档用zipfile进行压缩

7 word = zipfile.ZipFile('D:/路径/长恨歌-文字+表格.docx')

8

9 #找到要处理的xml文件并以utf-8的格式读取

10 xml = word.read('word/document.xml').decode('utf-8')

11 #打印看看

12 #print(type(xml)) #字符串

13 #print(xml) #打印整个字符串

14 #接下来分割字符串并存储到列表中

15 xml_list = xml.split('') #以字符串进行分割字符串

16 #打印看是否符合预期

17 #print(type(xml_list)) #是列表

18 #print(xml_list) #列表内容

19

20 #开始切片，找标签

21 text_list = [] #新建空list用以存储切出来的数据

22 #开始循环读取列表xml_list

23 for i in xml_list:

24 #条件查找

25 if i.find('') + 1: #切片查找是如果没找到是会返回-1，我们+1让他返回0，再运行else分支

26 text_list.append(i[:i.find('')]) #如果不是返回0就把找到的依次追加到text_list末尾

27 else:

28 pass

29 #print(text_list)

30 #再将得到的列表拆分为字符串

31 text = ''.join(text_list) #以空字符串为间隔，将列表拆分为字符串

32 print(text)

第三个表格加文字的取出文字有点绕，多处理几遍就行了。

标签：xml,word,读取,Python,text,文档,print

来源： https://www.cnblogs.com/mafu/p/13968857.html