Word文件的OpenXML解析

自Office 2007以来，新推出的.docx文件可以无损转换成OpenXML格式，以便于第三方工具生成、修改Word文件。本文以Python为背景，简单解析OpenXML中的常用元素，主要用作个人备忘。

个人邮箱为qxsoftware@163.com，欢迎来信交流。

本文目前仍在施工中，因疫情影响，完工日期未定QAQ
12/1/2020更新：感觉这个坑应该不会填了，如果大家有问题欢迎邮件讨论。

本文目录：

准备工作
初识OpenXML
获取Word XML
- 手动将Word文件另存为XML文件
- 使用python-docx获取OpenXML
Word OpenXML常用结构
- 整体结构：body、styles、setting等
- 段落Paragraph结点：<w:p>
- 基本格式单位Run结点：<w:r>
- 格式Properties结点：<w:pPr>与<w:rPr>
  - 字体<w:rFonts>
  - 字号<w:sz>、<w:szCs>
- 看的见的文字Text：<w:t>
- 修订版本号rsid
- 注音系统Ruby：<w:ruby>

准备工作

Python解析OpenXML的两个常用库：python-docx与lxml，可通过pip安装，若对两个库不熟悉请参阅以下资料：

使用python-docx读取word文件
lxml学习笔记（含增删改查）
lxml.etree.Element中的.addprevious()与.addnext()

本文举例所用的文本内容，为唐朝诗人张若虚的《春江花月夜》，全文如下：

《春江花月夜》
【唐·张若虚】
春江潮水连海平，海上明月共潮生。
滟滟随波千万里，何处春江无月明？
江流宛转绕芳甸，月照花林皆似霰。
空里流霜不觉飞，汀上白沙看不见。
江天一色无纤尘，皎皎空中孤月轮。
江畔何人初见月？江月何年初照人？
人生代代无穷已，江月年年只相似。
不知江月待何人，但见长江送流水。
白云一片去悠悠，青枫浦上不胜愁。
谁家今夜扁舟子？何处相思明月楼？
可怜楼上月徘徊，应照离人妆镜台。
玉户帘中卷不去，捣衣砧上拂还来。
此时相望不相闻，愿逐月华流照君。
鸿雁长飞光不度，鱼龙潜跃水成文。
昨夜闲潭梦落花，可怜春半不还家。
江水流春去欲尽，江潭落月复西斜。
斜月沉沉藏海雾，碣石潇湘无限路。
不知乘月几人归？落月摇情满江树。

将全文以纯文本方式粘贴到新建的word文档中，不修改任何格式，直接将文件保存为”春江花月夜.docx“。
（非必需） 之后，再将文件另存为”word xml(*.xml)“文件，命名为”春江花月夜.xml“，并使用喜欢的xml查看器打开（个人推荐安装了XML Tools插件的Notepad++ 不再推荐Notepad++，原因中国人都懂，我现在自己用VSCode）。

本文将以此为例。

初识OpenXML

准备工作完成后，先看一个OpenXML的简单例子（注意这不是一个完整的word文件）：

<w:body xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:wpc="http://schemas.microsoft.com/office/word/2010/wordprocessingCanvas" xmlns:cx="http://schemas.microsoft.com/office/drawing/2014/chartex"><w:p w:rsidR="00691F43" w:rsidRDefault="00691F43" w:rsidP="00691F43"><w:r><w:rPr><w:rFonts w:hint="eastAsia"/></w:rPr><w:t>《春江花月夜》</w:t></w:r></w:p><w:p w:rsidR="00691F43" w:rsidRDefault="00691F43" w:rsidP="00691F43"><w:r><w:rPr><w:rFonts w:hint="eastAsia"/></w:rPr><w:t>【唐·张若虚】</w:t></w:r></w:p>
</w:body>

这是body中的开头两个自然段。OpenXML采用了命名空间（namespaces），参考XML命名空间。在本例中，根标签是<w:body>，根标签的属性xmlns:XX就是用来说明命名空间的，本例中的命名空间有3个：w、wpc与cx，实际上一个word文件可能有十几个命名空间，但常用的就是w。

获取Word XML

手动将Word文件另存为XML文件

在word中依次选择：文件——另存为——保存类型选择“Word XML 文档(*.xml)“——保存。

使用python-docx获取OpenXML

一、仅读取，不修改：

from docx import Document
from lxml import etreedoc = Document('春江花月夜.docx')
body_xml_str = doc._body._element.xml # 获取body中的xml
body_xml = etree.fromstring(body_xml_str) # 转换成lxml结点
print(etree.tounicode(body_xml)) # 打印查看for p in doc.paragraphs:p_xml_str = p._p.xml # 按段落获取xmlp_xml = etree.fromstring(p_xml_str) # 转换成lxml结点print(etree.tounicode(p_xml)) # 打印查看

注意：修改此方式获取的xml，不会影响原word文件。

二、如果想直接修改原word文件的xml，可以将docx.Document中，变量类型type是以CT_开头的（如doc._body._element、p._p、doc.styles._element等）直接当作lxml.etree.Element使用（虽然它们之间似乎没有继承关系）。

print(type(doc._body._element)) # <class 'docx.oxml.document.CT_Body'>
print(type(p._p)) # <class 'docx.oxml.text.paragraph.CT_P'>
print(type(doc.styles._element)) # <class 'docx.oxml.styles.CT_Styles'>

例如：

from docx import Document
from lxml import etreedoc = Document('春江花月夜.docx')
body_xml = doc._body._element # 获取body中的xml
print(etree.tounicode(body_xml)) # 打印查看for p in doc.paragraphs:p_xml = p._p # 按段落获取xmlprint(etree.tounicode(p_xml)) # 打印查看

Word OpenXML常用结构

本节的主要参考资料为OpenXML微软官方文档。

（打不开的朋友可复制地址到浏览器：https://docs.microsoft.com/en-us/dotnet/api/documentformat.openxml.wordprocessing，将地址中的en-us改成zh-cn可浏览机翻的简体中文版本）

整体结构：body、styles、setting等

body就是正文结点，视觉可见的文本信息都应该是在这一部分。
styles相当于Word里的样式表，但应该还有更高端的用法，个人猜测Word中的主题设置应该也在这里，但是还没验证。
setting包含文件版本信息、作者信息等。

段落Paragraph结点：`<w:p>`

用于分段的结点，段落的格式也在这一级别设置，即<w:pPr>。

段落结点不直接包含文字，而是先包含更下一级的<w:r>结点，再包含文字。

基本格式单位Run结点：`<w:r>`

还没想好这里的run应该怎么翻译，您有好的建议的话欢迎留言或来信交流。

一段独立格式的文本即占用一个Run结点<w:r>，其格式结点为<w:rPr>。

实测发现，有的时候前后格式明明是一致的，却还是会划分出两个Run结点，具体原因目前不明，但（非完整）测试后发现，把两个Run合并成一个后，并不影响文件打开后的视觉效果。

格式Properties结点：`<w:pPr>`与`<w:rPr>`

pRr意为Paragraph Properties，通常用作表示段落的相关属性。
rPr意为Run Properties，通常用作表示字体的相关属性。

字体`<w:rFonts>`

rFonts意为RunFonts，用于表示不同语系下的字体，以及当前语种，点此查看官方文档。

用”语系“这个词可能不太恰当，但一时想不到别的词来描述了。您有好的建议的话欢迎留言或来信交流。

如果不显式指明字体，此段文字会使用上一级指明的字体。

目前rFonts支持四个语系，分别为：

{'ascii':'ASCII Font. Represents the following attribute in the schema: w:ascii','eastAsia':'East Asian Font. Represents the following attribute in the schema: w:eastAsia','hAnsi':'High ANSI Font. Represents the following attribute in the schema: w:hAnsi','cs':'Complex Script Font. Represents the following attribute in the schema: w:cs',
}

rFonts使用w:hint说明此段文本具体使用哪种语系的字体。

例如，将一段汉字的中文字体与西文字体全部设置为宋体：

<w:r><w:rPr><w:rFonts w:ascii="宋体" w:eastAsia="宋体" w:hAnsi="宋体" w:cs="宋体" w:hint="eastAsia"/></w:rPr><w:t>这一段文字字体为宋体。</w:t>
</w:r>

字号`<w:sz>`、`<w:szCs>`

sz表示Non-Complex Script Font Size，简单理解的话，就是单字节字符（如ASCII编码字符等）的大小。

szCs表示Complex Script Font Size，可以简单理解为双字节字符（如中日韩文字、阿拉伯文等）的大小。

如果不显式指明字号，此段文字会使用上一级指明的字号。

sz的官方资料中这句话The font sizes specified by this element’s val attribute are expressed as half-point values 说明，<w:sz>与<w:szCs>中的数值是实际磅值的两倍（原文翻译为”此元素的数值代表的字体大小，表示半点值）。

例如，一个五号汉字，考虑如下中文字号与磅值的对应关系，其磅值为10.5，翻倍为21，所以应该有<w:szCs w:val="21"/>

<w:r><w:rPr><w:rFonts w:hint="eastAsia"/><w:sz w:val="21"/><w:szCs w:val="21"/></w:rPr><w:t>这一段文字是五号字</w:t>
</w:r>

SZ_ZH_PT = {    # 中文字号与磅值对应关系"八号": 5,"七号": 5.5,"小六": 6.5,"六号": 7.5,"小五": 9,"五号": 10.5,"小四": 12,"四号": 14,"小三": 15,"三号": 16,"小二": 18,"二号": 22,"小一": 24,"一号": 26,"小初": 36,"初号": 42,
}

看的见的文字Text：`<w:t>`

正常来说，每个run中都应该有<w:t>结点，此结点包含的内容就是真实显示在word中的文字。

python-docx中的paragraph.text和run.text函数，返回的就是<w:t>结点中的内容，例如：

from docx import Documentdoc = Document('春江花月夜.docx')
for paragraph in doc.paragraphs:print('本段内容长度为%d' % len(paragraph.text))for i, run in enumerate(paragraph.runs):print('第{}个run的内容：{}'.format(i, run.text))

修订版本号rsid

Word会记录每一次对于文件的修改，并对修订版本进行随机编号。在OpenXML中，修订版本号通过rsid表示，具体的有w:rsidR、w:rsidRPr等。

具体的版本更迭信息，保存在<w:settings>下的<w:rsids>中。

注音系统Ruby：`<w:ruby>`

标注过拼音的字符，在word中表现为一块域（field）。在OpenXML中，可看作是在<w:r>中，用<w:ruby>结点替换了<w:t>结点。

一个典型的注音xml：

<w:ruby><w:rubyPr><w:rubyAlign w:val="center"/><w:lid w:val="zh-CN"/></w:rubyPr><w:rt><w:r><w:rPr></w:rPr><w:t>zhōng</w:t></w:r></w:rt><w:rubyBase><w:r><w:rPr></w:rPr><w:t>中</w:t></w:r></w:rubyBase>
</w:ruby>