python中怎么處理document文檔

今天就跟大家聊聊有關python中怎么處理document文檔，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內容，希望大家根據這篇文章可以有所收獲。

具體內容如下

# -*- coding: utf-8 -*-

# 利用python-docx替換文章中的內容

pip install python-docx
# 格式、線段、圖片、頁眉頁腳等都不變
# python-docx 在處理超鏈接的問題時,可以參考一下鏈接對源碼進行修改
https://github.com/python-openxml/python-docx/issues/85

# 具體修改操作如下
\site-packages\docx\oxml\__init__.py

# 需要新增的代碼
def remove_hyperlink_tags(xml):
  import re
  text = xml.decode('utf-8')
  text = text.replace("</w:hyperlink>","")
  text = re.sub('<w:hyperlink[^>]*>', "", text)
  return text.encode('utf-8')

# 需要修改的源碼
def parse_xml(xml):
  root_element = etree.fromstring(remove_hyperlink_tags(xml), oxml_parser)
  return root_element
"""

import os

from docx import Document
from win32com import client

# 自己寫的逐句翻譯包
import doc_scan


def pre_document(filename):
  """
  由于python_docx（只能讀取.docx文件，不能讀取.doc文件）
  將對應文件夾下的doc文件轉為docx文件
  :param filename: 文件的絕對路徑
  :return:
  """

  file_tuple = os.path.splitext(filename)
  if file_tuple[1] == '.doc':
    word = client.Dispatch('Word.Application')
    doc = word.Documents.Open(filename) # 目標路徑下的文件
    doc.SaveAs(file_tuple[0] + ".docx", 16) # 轉化后路徑下的文件
    doc.Close()
    word.Quit()
    # 把源文件刪除
    os.remove(filename)


def read_document():
  """
  原文文章為中文,然后將中文逐句翻譯成英文,把英文替換原來的中文,保留文章的原樣式
  :return:
  """
  # 遍歷doc文件下的所有的文件
  path = os.path.dirname(os.path.abspath(__file__)) + '\doc'
  for f in os.listdir(path):
    file = "%s\%s" % (path, f)
    # 對源文件進行預處理
    pre_document(file)
    document = Document(file)
    for num, paragraph in enumerate(document.paragraphs):
      # 獲取每段中的文字
      old_text = paragraph.text.strip()
      if old_text:
        inlines = paragraph.runs
        if inlines:
          # 將原有的文章里面的內容為空
          for li, inli in enumerate(inlines):
            inlines[li].text = inlines[li].text.replace(inlines[li].text, '')
          new_text = doc_scan.Scan(old_text)

          # 把翻譯好的文章句子 替換到 零號位置上面
          inlines[0].text = new_text
    # 保存文件,覆蓋操作
    document.save(file)


# 將document中的圖片下載到本地
# document = Document(file)
# for shape in document.inline_shapes:
#   contentID = shape._inline.graphic.graphicData.pic.blipFill.blip.embed
#   contentType = document.part.related_parts[contentID].content_type
#   if not contentType.startswith('image'):
#     continue
#   imgName = basename(document.part.related_parts[contentID].partname)
#   imgData = document.part.related_parts[contentID]._blob
#   with open(imgName,'wb') as fp:
#     fp.write(imgData)

if __name__ == '__main__':
  read_document()

看完上述內容，你們對python中怎么處理document文檔有進一步的了解嗎？如果還想了解更多知識或者相關內容，請關注億速云行業資訊頻道，感謝大家的支持。