DOCX 创建、编辑和分析
概述
用户可能要求你创建、编辑或分析 .docx 文件的内容。.docx 文件本质上是一个 ZIP 存档，包含 XML 文件和其他资源。
工作流程决策树
读取/分析内容
使用下面的"文本提取"或"原始 XML 访问"部分
创建新文档
使用"创建新的 Word 文档"工作流程
编辑现有文档
-
你自己的文档 + 简单更改 使用"基本 OOXML 编辑"工作流程
-
别人的文档 使用**"修订工作流程"**（推荐默认）
-
法律、学术、商业或政府文档 使用**"修订工作流程"**（必需）
读取和分析内容
文本提取
如果只需要读取文档的文本内容，应该使用 pandoc 将文档转换为 markdown。Pandoc 提供了出色的文档结构保留支持，并可以显示修订：
# 将文档转换为 markdown 并保留修订
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项：--track-changes=accept/reject/all
创建新的 Word 文档
从零创建新的 Word 文档时，使用 python-docx，它允许使用 Python 创建 Word 文档。
工作流程
- 安装 python-docx：
pip install python-docx - 使用 Python 脚本创建文档
示例代码
from docx import Document
from docx.shared import Pt, RGBColor
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
# 创建新文档
doc = Document()
# 添加标题
title = doc.add_heading('文档标题', 0)
title.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
# 添加段落
para = doc.add_paragraph()
run = para.add_run('这是普通文本，')
run.bold = True
run = para.add_run('这是粗体文本。')
run.font.color.rgb = RGBColor(0xFF, 0x00, 0x00)
# 添加表格
table = doc.add_table(rows=3, cols=3)
table.style = 'Table Grid'
for i in range(3):
for j in range(3):
cell = table.rows[i].cells[j]
cell.text = f'单元格 {i+1}-{j+1}'
# 保存文档
doc.save('output.docx')
编辑现有的 Word 文档
基本编辑
from docx import Document
# 加载现有文档
doc = Document('existing.docx')
# 修改段落
for para in doc.paragraphs:
if '旧文本' in para.text:
para.text = para.text.replace('旧文本', '新文本')
# 添加新段落
doc.add_paragraph('新的段落内容')
# 保存
doc.save('modified.docx')
格式化编辑
from docx import Document
from docx.shared import Pt, RGBColor
from docx.enum.style import WD_STYLE_TYPE
doc = Document('existing.docx')
# 修改标题样式
for para in doc.paragraphs:
if para.style.name.startswith('Heading'):
para.runs[0].font.size = Pt(16)
para.runs[0].font.color.rgb = RGBColor(0x42, 0x24, 0xE9)
# 保存
doc.save('formatted.docx')
使用修订跟踪
对于需要修订跟踪的专业文档编辑：
-
使用 LibreOffice：
soffice --headless --accept="socket,host=localhost,port=8100;urp;" -
使用 python-docx 添加修订（需要额外库）：
# 需要更复杂的 OOXML 操作 # 建议使用 LibreOffice 或专门的处理工具
常见任务
添加图片
from docx import Document
from docx.shared import Inches
doc = Document()
# 添加图片
doc.add_picture('image.png', width=Inches(4.0))
# 保存
doc.save('document_with_image.docx')
添加页眉页脚
from docx import Document
doc = Document()
# 添加页眉
section = doc.sections[0]
header = section.header
header_para = header.paragraphs[0]
header_para.text = "这是页眉"
# 添加页脚
footer = section.footer
footer_para = footer.paragraphs[0]
footer_para.text = "第 页"
doc.save('document_with_header_footer.docx')
提取文本
from docx import Document
doc = Document('document.docx')
# 提取所有段落文本
for para in doc.paragraphs:
print(para.text)
# 提取表格文本
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
print(cell.text)
批量处理
import os
from docx import Document
# 批量处理目录中的所有 Word 文档
input_dir = 'input_docs/'
output_dir = 'output_docs/'
os.makedirs(output_dir, exist_ok=True)
for filename in os.listdir(input_dir):
if filename.endswith('.docx'):
doc = Document(os.path.join(input_dir, filename))
# 执行编辑操作
# ...
# 保存到输出目录
doc.save(os.path.join(output_dir, filename))
最佳实践
库选择
- python-docx：最适合基本创建和编辑
- pandoc：最适合格式转换和文本提取
- LibreOffice：最适合复杂的修订跟踪功能
使用 python-docx
- 始终在修改后保存文档
- 复杂的格式可能需要直接操作 XML
- 修订跟踪需要额外处理
代码风格
编写简洁的代码：
- 使用有意义的变量名
- 避免不必要的打印语句
- 保持函数简单和专注
依赖要求
- python-docx:
pip install python-docx - pandoc: 系统包管理器安装
- LibreOffice: 系统包管理器安装（用于高级功能）