python处理doc文档总结

需求

需求总结为:

使用python处理doc文档，生成内容和格式，并将doc转成pdf. 这些要运行在Linux终端，并且不能使用收费的服务。

技术选择

• python选择的包为 python-docx
• doc转pdf选择的是 unoconv

面对的问题和解决

python-docx包相关

office 和 wps包都卸载的情况下，这个包python-docx还能用吗？

提前用这个包将功能写好了，卸载wps后看还能不能使用。

测试结果是毫无问题，程序依然能够运行，不依赖外置的office和wps安装的模块。

Linux 上面能够使用吗？

结论是可以的
测试系统是centos, python3.7环境
python-docx 包是 python-docx==0.8.11

# 创建虚拟环境
python -m venv env
# 安装包
 pip install python-docx==0.8.11

安装包的过程比较容易，没有过多的依赖

运行代码， 文档依然可以正常的生成!

unoconv -f pdf 测试文档生成.docx

doc 转pdf怎么使用

1. 网上找了很多，完成该需求有些是需要依赖office的，比如最常见的docx2pdf 包，没有装office就忽略吧，换言之Linux系统上也先别想了！

from docx2pdf import convert

convert("input.docx", "output.pdf")

2. stackoverflow上推荐的在Linux端需要提前安装Libreoffice，调用Libreoffice的功能。
   
3. Aspose包直接有python包可供调用，只是生成的pdf带有水印，需要购买。

import aspose.words as aw

doc = aw.Document("in.docx")
doc.save("out.pdf")

4. unoconv 也是需要依赖Libreoffice，在安装此命令的时候能自动解决Libreoffice的依赖，不需要单独安装Libreoffice进行使用，相对比较方便。
   
5. 常见问题
   生成pdf乱码问题，需要向Linux中添加字体！

将Windows路径C:\Windows\Fonts 下的字体拷贝到 Linux路径/usr/share/fonts/ 中就能解决。

python-docx包处理文档

读取文档并添加表格

如下code，添加默认的表格。

from docx import Document
# 读取文档
document = Document('测试文档.docx')
# 添加表格
table = document.add_table(rows=7, cols=6)
# 将文档保存
document.save(os.path.join(os.getcwd(), '测试文档生成.docx'))

添加的表格如下图:

这肯定不是我们想要的表格, 我们想要的表格是:

• 有实线的边框
• 字体可以居中
• 能够根据数据来调整行数

下面是我写的代码:

import math
import os
from xml.dom.minidom import Element
from docx import Document
from docx.opc.oxml import parse_xml
from docx.oxml import OxmlElement
from docx.oxml.ns import qn, nsdecls
from docx.shared import RGBColor
from docx.enum.table import WD_CELL_VERTICAL_ALIGNMENT, WD_TABLE_ALIGNMENT
import random


def set_cell_border(cell, **kwargs):
    """
    Set cell`s border
    Usage:
    set_cell_border(
        cell,
        top={"sz": 12, "val": "single", "color": "#FF0000", "space": "0"},
        bottom={"sz": 12, "color": "#00FF00", "val": "single"},
        left={"sz": 24, "val": "dashed", "shadow": "true"},
        right={"sz": 12, "val": "dashed"},
    )
    """
    tc = cell._tc
    tcPr = tc.get_or_add_tcPr()

    # check for tag existnace, if none found, then create one
    tcBorders = tcPr.first_child_found_in("w:tcBorders")
    if tcBorders is None:
        tcBorders = OxmlElement('w:tcBorders')
        tcPr.append(tcBorders)

    # list over all available tags
    for edge in ('left', 'top', 'right', 'bottom', 'insideH', 'insideV'):
        edge_data = kwargs.get(edge)
        if edge_data:
            tag = 'w:{}'.format(edge)

            # check for tag existnace, if none found, then create one
            element = tcBorders.find(qn(tag))
            if element is None:
                element = OxmlElement(tag)
                tcBorders.append(element)

            # looks like order of attributes is important
            for key in ["sz", "val", "color", "space", "shadow"]:
                if key in edge_data:
                    element.set(qn('w:{}'.format(key)), str(edge_data[key]))


def add_table(table, data: dict):
    pre = ['科目', '得分']
    keys = list(data.keys())
    cnt = 0
    key = keys[0]
    # 添加内容
    for i, row in enumerate(table.rows):
        for j, cell in enumerate(row.cells):
        	# 设置可以居中
            cell.vertical_alignment = WD_CELL_VERTICAL_ALIGNMENT.CENTER
            set_cell_border(
                cell,
                top={"sz": 0.5, "val": "single", "color": "#000000", "space": "0"},
                bottom={"sz": 0.5, "val": "single", "color": "#000000", "space": "0"},
                left={"sz": 0.5, "val": "single", "color": "#000000", "space": "0"},
                right={"sz": 0.5, "val": "single", "color": "#000000", "space": "0"},
                # 注释的这两个参数能调整内边框
                # insideH={"sz": 0.5, "val": "single", "color": "#000000", "space": "0"},
                # end={"sz": 0.5, "val": "single", "color": "#000000", "space": "0"}
            )
            # 获取单元格中的段落对象
            paragraph = cell.paragraphs[0]
            paragraph.alignment = WD_TABLE_ALIGNMENT.CENTER
            if i == 0:
            	# 给边框填充背景
                color: Element = parse_xml(r'<w:shd {} w:fill="{color_value}"/>'.format(
                    nsdecls('w'), color_value=RGBColor(0, 0, 139)))
                cell._tc.get_or_add_tcPr().append(color)
                # 和上面一样，这里的run可以设置一些属性
                run = paragraph.add_run(pre[j % 2])
                continue

            if cnt < len(data):
                if j % 2 == 0:
                    key = keys[cnt]
                    paragraph.add_run(key)
                else:
                    paragraph.add_run(str(data[key]))
                    cnt += 1


document = Document('测试文档.docx')

data = {
    'python': random.randint(80, 100),
    'c++': random.randint(80, 100),
    'golang': random.randint(80, 100),
    'c': random.randint(80, 100),
    'sql': random.randint(80, 100),
    'java': random.randint(80, 100),
    'javascript': random.randint(80, 100),
    'mysql': random.randint(80, 100),
    'neo4j': random.randint(80, 100),
    'hive': random.randint(80, 100),
}
table = document.add_table(rows=math.ceil(len(data) / 3) + 1, cols=6)
add_table(table, data)

document.save(os.path.join(os.getcwd(), '测试文档生成.docx'))

插入到docx文件的表格如下图所示:

借助docx中的样式添加内容

在模板docx中添加样式

添加了新的列表项目符号样式

效果如下，给添加的内容加上 ·

代码中加载该文档，给需要生成的内容添加该样式:

from docx import Document
from docx.shared import Pt
# 读取文档
document = Document('测试文档.docx')
_ = document.add_paragraph(
    'first item in unordered list', style='List Bullet'
)
# 设置段前和段后的间距
_.paragraph_format.space_before = Pt(0)
_.paragraph_format.space_after = Pt(0)

添加其他样式同理。

表格单元格的宽度设置

from docx.shared import Cm, Inches
document = Document('测试文档.docx')
table = document.add_table(rows=7, cols=6)
table.autofit = False
table.columns[0].width = Inches(1.4)
table.columns[1].width = Inches(0.6)
table.columns[3].width = Inches(0.6)
table.columns[2].width = Inches(1.4)
table.columns[5].width = Inches(0.6)
table.columns[4].width = Inches(1.4)

插入图片

# 向已经有的段落添加图片
# width 参数用来调整图片的大小
document.paragraphs[2].add_run().add_picture("../qrcode.png", width=Cm(2.8))
# 直接插入图片
document.add_paragraph("在下面插入一张图片")
document.add_picture("../qrcode.png", width=Cm(2.8))
# 清理原有段落图片
document.paragraphs[1].clear()

欢迎关注，共同交流，后续有优化还会更新。