一，docx模組

Python可以利用python-docx模組處理word文件，處理方式是面向物件的。也就是說python-docx模組會把word文件，文件中的段落、文字、字型等都看做物件，對物件進行處理就是對word文件的內容處理。

二，相關概念

如果需要讀取word文件中的文字（一般來說，程式也只需要認識word文件中的文字資訊），需要先了解python-docx模組的幾個概念。

1，Document物件，表示一個word文件。
2，Paragraph物件，表示word文件中的一個段落
3，Paragraph物件的text屬性，表示段落中的文字內容。

三，模組的安裝和匯入

需要注意，python-docx模組安裝需要在cmd命令列中輸入pip install python-docx，如下圖表示安裝成功（最後那句英文Successfully installed，成功地安裝完成）

注意在匯入模組時，用的是import docx。

也真是奇了怪了，怎麼安裝和匯入模組時，很多都不用一個名字，看來是很有必要出一個python版本的模組管理程式python-maven了，本段純屬PS。

四，讀取word文字

在瞭解了上面的資訊之後，就很簡單了，下面先建立一個D:\temp\word.docx檔案，並在其中輸入如下內容。

#-*- conding:utf-8 -*-
'''
Created on 2018年7月14日

@author: Administrator
'''
import docx


file=docx.Document(r"F:\python從入門到放棄\7\2\wenjian.docx
 
")

print('段落:'+str(len(file.paragraphs)))
# 
# for para in file.paragraphs:
#     print(para.text)
    
for i in range(len(file.paragraphs)): 
    print("第"+str(i)+"段的內容是："+file.paragraphs[i].text)  

 1 #-*- conding:utf-8 -*-
 2 '''
 3 Created on 2018年7月14日
 4 
 5 @author: Administrator
 
 6 '''
 7 import sys
 8 
 9 from docx import Document
10 from docx.shared import Inches
11 
12 def main():
13 #     reload(sys)
14 #     sys.setdefaultencoding('utf-8')
15     
16     # 建立文件物件
17     document = Document()
18     
19     # 設定文件標題，中文要用unicode字串
20     document.add_heading(u'我的一個新文件',0)
21     
22     # 往文件中新增段落
23     p = document.add_paragraph('This is a paragraph having some ')
24     p.add_run('bold ').bold = True
25     p.add_run('and some ')
26     p.add_run('italic.').italic = True
27     
28     # 新增一級標題
29     document.add_heading(u'一級標題, level = 1',level = 1)
30     document.add_paragraph('Intense quote',style = 'IntenseQuote')
31     
32     # 新增無序列表
33     document.add_paragraph('first item in unordered list',style = 'ListBullet')
34     
35     # 新增有序列表
36     document.add_paragraph('first item in ordered list',style = 'ListNumber')
37     document.add_paragraph('second item in ordered list',style = 'ListNumber')
38     document.add_paragraph('third item in ordered list',style = 'ListNumber')
39     
40     # 新增圖片，並指定寬度
41     document.add_picture('cat.png',width = Inches(2.25))
42     
43     # 新增表格: 1行3列
44     table = document.add_table(rows = 1,cols = 3)
45     # 獲取第一行的單元格列表物件
46     hdr_cells = table.rows[0].cells
47     # 為每一個單元格賦值
48     # 注：值都要為字串型別
49     hdr_cells[0].text = 'Name'
50     hdr_cells[1].text = 'Age'
51     hdr_cells[2].text = 'Tel'
52     # 為表格新增一行
53     new_cells = table.add_row().cells
54     new_cells[0].text = 'Tom'
55     new_cells[1].text = '19'
56     new_cells[2].text = '12345678'
57     
58     # 新增分頁符
59     document.add_page_break()
60     
61     # 往新的一頁中新增段落
62     p = document.add_paragraph('This is a paragraph in new page.')
63     
64     # 儲存文件
65     document.save('demo1.doc')
66     
67 if __name__ == '__main__':
68     main()

讀取表格：

#-*- conding:utf-8 -*-
'''
Created on 2018年7月14日

@author: Administrator
'''

import docx

doc = docx.Document('wenjian.docx')
for table in doc.tables:  # 遍歷所有表格
    print('----table------')
    for row in table.rows:  # 遍歷表格的所有行
        # row_str = '\t'.join([cell.text for cell in row.cells])  # 一行資料
        # print row_str
        for cell in row.cells:
            print(cell.text, '\t',)
        print() #換行

首先是用docx.Document開啟對應的檔案目錄。docx檔案的結構比較複雜，分為三層，1、Docment物件表示整個文件；2、Docment包含了Paragraph物件的列表，Paragraph物件用來表示文件中的段落；3、一個Paragraph物件包含Run物件的列表。 因此p.text會打印出整個的文字文件。而用doc.tables來遍歷所有的表格。並且對每個表格通過遍歷行，列的方式來得到所有的內容。

但是在執行結果中並沒有找到我們插入的檔案物件和圖片，text.txt文件。這部分該如何解析呢。首先我們需要先來認識下docx文件的格式組成：

docx是Microsoft Office2007之後版本使用的，用新的基於XML的壓縮檔案格式取代了其目前專有的預設檔案格式，在傳統的檔名副檔名後面添加了字母“x”（即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”）。

docx格式的檔案本質上是一個ZIP檔案。將一個docx檔案的字尾改為ZIP後是可以用解壓工具開啟或是解壓的。事實上，Word2007的基本檔案就是ZIP格式的，他可以算作是docx檔案的容器。

docx 格式檔案的主要內容是儲存為XML格式的，但檔案並非直接保存於磁碟。它是儲存在一個ZIP檔案中，然後取副檔名為docx。將.docx 格式的檔案字尾改為ZIP後解壓, 可以看到解壓出來的資料夾中有word這樣一個資料夾，它包含了Word文件的大部分內容。而其中的document.xml檔案則包含了文件的主要文字內容

從上面的文件我們可以瞭解到docx文件實際上是由XML文件打包組成的。那麼我們要得到其中所有的部分，可以用ZIP解壓的方式來得到所有的部件。我們先試下看是否可以

1 將docx文件改成ZIP的字尾

2 解壓檔案

解壓之後得到如下幾個檔案

點開word資料夾：有如下的資料夾。document.xml就是描述文字物件的檔案

其中embeddings檔案中就是我們插入的文字物件text.txt. 是一個bin檔案

Media檔案中就是儲存的圖片：

我們通過手動的方式將插入的文字以及圖片解析出來，那麼通過程式碼也是同樣可以解析的。程式碼如下。

os.chdir(r'E:\py_prj')  #首先改變目錄到檔案的目錄

os.rename('test.docx','test.ZIP')  # 重新命名為zip檔案

f=zipfile.ZipFile('test.zip','r')  #進行解壓

for file in f.namelist():

    f.extract(file)

file=open(r'E:\py_prj\word\embeddings\oleObject1.bin','rb').read() #進入檔案路徑，讀取二進位制檔案。

for f in file:

    print f

通過上面的方式，就可以將docx中插入的檔案以及圖片全部解析出來。具體docx的寫的方式可以參考官方文件的介紹

python docx 中文字型設定

解決辦法: 
首先建立一個文件，要先宣告一個document:

from docx import Document
document = Document()

docx內建的樣式都可以通過document.styles取到。

正文是Normal, 標題樣式根據標題宣告的基本，分別從Heading 1 到Heading 9， 另外還有table、list等各種word對應的樣式。可以通過遍歷document.styles檢視。

我們以正文Normal為例。先來看看涉及字型更改的是style object裡面的哪些屬性。

document.styles[‘Normal’].font.name

有興趣深入研究的同學可以看看官方文件對Font的介紹http://python-docx.readthedocs.io/en/latest/dev/analysis/features/text/font.html?highlight=font。 在這裡我們只需要更改font.name。

document.styles[‘Normal’]._element.rPr.rFonts

只更改font.name是不夠的，還需要呼叫._element.rPr.rFonts的set()方法。

綜合起來這樣

from docx.oxml.ns import qn

document.styles['Normal'].font.name = u'宋體'
document.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋體')

問題解決, 表格中字型成功更改為”宋體”.