python 处理document文档 保留原样式，,document文档

python 处理document文档 保留原样式，,document文档

document文档格式、线段、图片、页眉页脚等都不变

# -*- coding: utf-8 -*-
# @Time : 2019/5/6 11:46
# @Author :
"""
# 利用python-docx替换文章中的内容

pip install python-docx
# 格式、线段、图片、页眉页脚等都不变
# python-docx 在处理超链接的问题时,可以参考一下链接对源码进行修改
https://github.com/python-openxml/python-docx/issues/85

# 具体修改操作如下
\site-packages\docx\oxml\__init__.py

# 需要新增的代码
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‘)

# 需要修改的源码
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

# 自己写的逐句翻译包
import doc_scan

def pre_document(filename):
"""
由于python_docx（只能读取.docx文件，不能读取.doc文件）
将对应文件夹下的doc文件转为docx文件
:param filename: 文件的绝对路径
:return:
"""

file_tuple = os.path.splitext(filename)
if file_tuple[1] == ‘.doc‘:
word = client.Dispatch(‘Word.Application‘)
doc = word.Documents.Open(filename) # 目标路径下的文件
doc.SaveAs(file_tuple[0] + ".docx", 16) # 转化后路径下的文件
doc.Close()
word.Quit()
# 把源文件删除
os.remove(filename)

def read_document():
"""
原文文章为中文,然后将中文逐句翻译成英文,把英文替换原来的中文,保留文章的原样式
:return:
"""
# 遍历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)
# 对源文件进行预处理
pre_document(file)
document = Document(file)
for num, paragraph in enumerate(document.paragraphs):
# 获取每段中的文字
old_text = paragraph.text.strip()
if old_text:
inlines = paragraph.runs
if inlines:
# 将原有的文章里面的内容为空
for li, inli in enumerate(inlines):
inlines[li].text = inlines[li].text.replace(inlines[li].text, ‘‘)
new_text = doc_scan.Scan(old_text)

# 把翻译好的文章句子 替换到 零号位置上面
inlines[0].text = new_text
# 保存文件,覆盖操作
document.save(file)

# 将document中的图片下载到本地
# 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()

————————————————
版权声明：本文为CSDN博主「Cocktail_py」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Cocktail_py/article/details/101149901

python 处理document文档 保留原样式