python

2024-06-21 14:34| 来源: 网络整理| 查看: 265

python-docx结合lxml读取word文档段落格式、字体格式等信息

最近还是在研究docx文档，搞了几天终于有点心得了。不得不说，虽然python-docx库没那么强大能直接获取样式继承的字体信息之类的，但是通过使用python-docx，获取段落的xml信息会简单很多，结合lxml进一步获取信息也会方便很多。首先还是，记一下关于样式继承。

一个样式可以从另一个样式继承属性，有点类似于层叠样式表 (CSS) 的工作方式。base_style使用属性指定继承。通过将一种风格建立在另一种风格上，可以形成任意深度的继承层次结构。没有基本样式的样式会从文档默认值继承属性。许多字体属性是三态的，这意味着它们可以采用值 True、False和None。True表示该属性是“on”，False表示它是“off”。从概念上讲，None价值意味着“继承”。

样式继承依然不是那么好理解。这次写详细一点点叭

document.xml/style.xml

当我们把文档后缀的.docx修改成.zip，解压就会看到一些文件。其中word文件夹下document.xml是存放文本的主要文件，文档的样式信息则在style.xml中。在这里插入图片描述

信息获取

如果，文档中的某个段落应用了样式，则该段落的字体格式等一些信息需要从style.xml中获取。在这里插入图片描述此时使用python-docx获取字体格式信息之类的，大概率返回的结果是None。也有可能返回的是英文字体信息。

import docx file_name = 'temp.docx' doc = docx.Document(file_name) paragraphs = doc.paragraphs print('段落0字体：',paragraphs[0].style.font.name) print('段落3字体：',paragraphs[3].style.font.name) 段落0字体： None 段落3字体： Times New Roman

那么问题来了，返回为None时或者想要获取到中文字体该怎么办呢？接下来要说说我不是很懂以及我也很苦恼的xml了。首先让我们打印一下段落的xml看看它是个啥。

print(paragraphs[0]._p.xml) 这里是应用了标题样式的一个标题（黑体小二号居中）

字体信息在中的，可以看到这里面是没有显示详细的字体信息的。注意到前面有，说明这里用到了id为“6”的style。所以打印一下这个段落的样式的xml看看。

print(paragraphs[0].style.element.xml)

可以看到在style中是有字体信息的。

获取字体信息方法1

转换成lxml后进行信息提取

from lxml import etree from xml.dom.minidom import parseString p_style_xmlstr = paragraphs[0].style.element.xml p_style_xml = etree.fromstring(p_style_xmlstr) # 转换成lxml结点 p_style_dom = parseString(etree.tounicode(p_style_xml)) # 获取段落字体信息 # 字体名称 style_w_rfonts = p_style_dom.getElementsByTagName('w:rFonts') font_name_zh = w_rfonts[0].getAttribute('w:eastAsia') font_name = w_rfonts[0].getAttribute('w:ascii') 获取字体信息方法2

使用xpath进行信息提取

link_id = paragraphs[0].style.element.xpath('string(.//w:pStyle/@w:val)') font_name_zh = doc.styles.element.xpath(f'string(.//w:style[@w:styleId={link_id}]//w:rFonts/@w:eastAsia)') font_name = doc.styles.element.xpath(f'string(.//w:style[@w:styleId={link_id}]//w:rFonts/@w:ascii)')

【本文地址】

python

python

今日新闻

推荐新闻