前两天有个朋友向我求助,她在写毕业论文时,不小心将论文里的中文双引号替换为英文的了,各种原因导致无法回退,8万多字的论文,眼看就要交了,该怎么办?
首先想到 word 自身的替换功能,倒是能查到,但是没法动态替换,即只替换两边引号,而不换中间内容;
另外一种方案是,即用 VBA,通过编程来替换,虽说做过几个项目,可好久不用,拾起费劲,再加上 VBA 中各种概念和用法,学习成本太高,放弃;
还有一种方案,即用 Python 操作 word,首先对 Python 更熟悉,另外一定有别人造好的*。果然,没用多久找到了 python-docx Python 库,文档齐全,功能强大,用来解决替换问题不在话下。
开始之前,先简单了解下 python-docx
python-docx 介绍
python-docx 是用于创建可修改 微软 Word 的一个 python 库,提供全套的 Word 操作,是最常用的 Word 工具
概念
使用前,先了解几个概念:
-
Document
:是一个 Word 文档 对象,不同于 VBA 中 Worksheet 的概念,Document 是独立的,打开不同的 Word 文档,就会有不同的 Document 对象,相互之间没有影响 -
Paragraph
:是段落,一个 Word 文档由多个段落组成,当在文档中输入一个回车键,就会成为新的段落,输入 shift + 回车,不会分段 -
Run
表示一个节段,每个段落由多个 节段 组成,一个段落中具有相同样式的连续文本,组成一个节段,所以一个 段落 对象有个 Run 列表
例如有一个 Word,内容是:
word 文档内容则 结构这样划分:
第二个 段落(paragraph),没有内容,所以 节段(run)为空
安装
可以用 pip 来安装:
pip install python-docx
命令行中运行下面语句,如果没有报错,则说明安装成功
$ python -c 'import docx'
小试牛刀
python-docx 安装后,测试一下:
from docx import Document
document = Document()
paragraph = document.add_paragraph('Lorem ipsum dolor sit amet.')
prior_paragraph = paragraph.insert_paragraph_before('Lorem ipsum')
document.save(r"D:\test.docx")
- 引入 Document 类
- 定义一个新文档对象 document
- 想文档中插入一个段落(paragraph)
- 再在这个段落(paragraph)前插入另一个段落
- 最后调用文档对象 document 的 save 保存文档
用 Word 打开保存的 test.docx 就可以看到:
问题分析与解决
了解了 python-docx 的基本概念,开始着手解决问题,大体思路是:
- 读取文档内容
- 查找 英文引号 之间的内容
- 将找到的内容的 英文引号 换成 中文引号,并将内容替换回去
- 完成处理后将文档另存
查找目标
首先要解决的是如何找到 英文引号之间的内容?
例如文档内容有这么一段:
...对"基于需求的教育资源配置系统观"的研究,尤其是对"以学习者为中心"和从"个性化学习"、"精准教学"视角出发的教育资源配置问题提供了理论"支持\\以及"方向指导...
对于英文引号来说不区分前引号和后引号,怎么能保证配置到的不会是 "和从"
、"、"
以及 "以学习者为中心"和从"个性化学习"、"精准教学"
或者 不会忽略两个引号出现在上下行的情况?
重温正则表达式,终于得到如下表达式:
'"(?:[^"])*"'
-
?:
:为了取消圆括号模式配置过程的缓存,即不需要遇到一个符合的就结束匹配 -
[^"]
:表示匹配的内容不能是"
,以避免贪婪匹配,即避免匹配成 从第一个"
开始一直到最后一个"
结束 - 整体的意思是 配置两个
"
之间的内容,且内容中不包括"
后来整理过程中,还发现另一种写法:
'".*?"'
不过 .
不能匹配换行符\n
,坚持要用,需要使用 可选修饰符
re.S
:
import re
pattern = re.compile('".*?"', re.S)
re.findAll(pattern, text) # text 为待查找字符串
- 引入 正则表达式模块
re
-
re.S
为可选标识修饰符,使 . 匹配包括换行在内的所有字符 - 利用
findAll
查找所有匹配内容
关于 Python 正在表达式的更多用法参考文后参考链接
实现
查找问题解决了,做替换就方便多了:
from docx import Document
import re
doc = Document(r"D:\论文.docx")
restr = '"(?:[^"])*"'
for p in doc.paragraphs:
matchRet = re.findall(restr, p.text)
for r in matchRet:
p.text = p.text.replace(r, '“' + r[1:-1] + '”')
doc.save(r'D:\论文_修正.docx')
- 引入 Document 类,和正则表达式模块
- 打开目标文档,字符串前的
r
表示取消字符串转义,即按原始字符产来解释 - 循环文档的 段落(paragraph),对每个段落,用正则表达式进行匹配
- 循环对于匹配到的结果,将前后引号,换成中文引号,并替换 段落(paragraph)的
text
;其中r[1:-1]
表示截取从第二个位置(第一个位置是 0)到倒数第二个位置截取字符串,刚好去掉前后引号 - 最后另存文档
注意:python-docx 保存文档时不会给出任何提示,会瞬间完成,所以另存是个稳妥的做法
完工,赶紧将替换好的文档发过去……
还没来得回味,她说:“非常感谢!那个~ 能不能再帮我生成个图表目录,这个必须要……”
好吧,能者多劳(神器在手),干就完了……
强大的 python-docx
在上面小试牛刀中,介绍了插入段落(paragraph)的用法,下面在介绍一些 python-docx 的其他功能
为了简洁,下面例子中省略了 Document 类的引入和实例化代码,document 为 Document 的实例
添加标题
默认情况下添加的标题是最高一级的,即一级标题,通过参数 level
设定,范围是 1 ~ 9,也有 0 级别,表示的是段落标题:
# 添加一级标题
document.add_heading('我是一级标题')
decument.add_heading('我是二级标题', level=2)
decument.add_heading('我是段落标题', level=0)
添加换页
如果一个段落不满一页,需要分页时,可以插入一个分页符,直接调用会将分页符插入到最后一个段落之后:
# 文档最后插入分页
document.add_page_break()
# 特定段落分页
from docx.enum.text import WD_BREAK
paragraph = document.add_paragraph("独占一页") # 添加一个段落
paragraph.runs[-1].add_break(WD_BREAK.PAGE) # 在段落的最后一个节段后添加分页
表格操作
Word 文档中经常会用到表格,python-docx 如何添加和操作表格呢?
# 添加一个 2×2 表格
table = document.add_table(rows=2, cols=2)
# 获取第一行第二列单元格
cell = table.cell(0, 1)
# 设置单元格文本
cell.text = '我是单元格文字'
# 表格的行
row = table.rows[1]
row.cells[0].text = 'Foo bar to you.'
row.cells[1].text = 'And a hearty foo bar to you too sir!'
# 增加行
row = table.add_row()
更复杂点的例子:
# 表格数据
items = (
(7, '1024', '手机'),
(3, '2042', '笔记本'),
(1, '1288', '台式机'),
)
# 添加一个表格
table = document.add_table(1, 3)
# 设置表格标题
heading_cells = table.rows[0].cells
heading_cells[0].text = '数量'
heading_cells[1].text = '编码'
heading_cells[2].text = '描述'
# 将数据填入表格
for item in items:
cells = table.add_row().cells
cells[0].text = str(item[0])
cells[1].text = item[1]
cells[2].text = item[2]
添加图片
添加图片,即,为 Word 里 菜单中 插入 > 图片 插入的功能,插入图片为原始大小:
document.add_picture('image-filename.png')
插入时设置图片大小:
from docx.shared import Cm# 设置图片的跨度为 10 厘米document.add_picture('image-filename.png', width=Cm(10))
除了厘米,python-docx 还提供了 英寸(Inches),如设置 1英寸:
Inches(1.0)
样式
样式可以针对整体文档(document)、段落(paragraph)、节段(run),月具体,样式优先级越高
python-docx 样式功能配置多样,功能丰富,这里对段落样式和文字样式做简单介绍
段落样式
段落样式包括:对齐、列表样式、行间距、缩进、背景色等,可以在添加段落时设定,也可以在添加之后设置:
# 添加一个段落,设置为无序列表样式
document.add_paragraph('我是个无序列表段落', style='List Bullet')
# 添加段落后,通过 style 属性设置样式
paragraph = document.add_paragraph('我也是个无序列表段落')
paragraph.style = 'List Bullet'
文字样式
在前面 python-docx 文档结构图可以看到,段落中,不同样式的内容,被划分成多个 节段(Run),文字样式是通过 节段(Run)来设置的
设置加粗/斜体
paragraph = document.add_paragraph('添加一个段落')
# 设置 节段文字为加粗
run = paragraph.add_run('添加一个节段')
run.bold = True
# 设置 节段文字为斜体
run = paragraph.add_run('我是斜体的')
run.italic = True
设置字体
设置字体稍微复杂些,例如设置一段文字为 宋体
:
paragraph = document.add_paragraph('我的字体是 宋体')run = paragraph.runs[0]run.font.name = '宋体'run._element.rPr.rFonts.set(qn('w:eastAsia'), '宋体')
总结
python-docx 是个功能强大的 Word 库,能实现几乎所有在 Word 中操作,今天通过一个实例,介绍了 python-docx 的一些基本用法,限于篇幅,没法展开讨论更多内容,如果有兴趣可以深入研究,说不定可以让 Word 像 Markdown 一样简单。
参考
https://python-docx.readthedocs.io/en/latest/
https://www.runoob.com/python/python-reg-expressions.html
https://www.cnblogs.com/nixindecat/p/12157623.html