Word文件的OpenXML解析（以Python3为例）

Word文件的OpenXML解析

自Office 2007以来，新推出的.docx文件可以无损转换成OpenXML格式，以便于第三方工具生成、修改Word文件。本文以Python为背景，简单解析OpenXML中的常用元素，主要用作个人备忘。

个人邮箱为qxsoftware@163.com，欢迎来信交流。

本文目前仍在施工中，因疫情影响，完工日期未定QAQ
12/1/2020更新：感觉这个坑应该不会填了，如果大家有问题欢迎邮件讨论。

本文目录：

• 准备工作
• 初识OpenXML
• 获取Word XML
  • 手动将Word文件另存为XML文件
  • 使用python-docx获取OpenXML
• Word OpenXML常用结构
  • 整体结构：body、styles、setting等
  • 段落Paragraph结点：<w:p>
  • 基本格式单位Run结点：<w:r>
  • 格式Properties结点：<w:pPr>与<w:rPr>
    • 字体<w:rFonts>
    • 字号<w:sz>、<w:szCs>
  • 看的见的文字Text：<w:t>
  • 修订版本号rsid
  • 注音系统Ruby：<w:ruby>

---

准备工作

Python解析OpenXML的两个常用库：python-docx与lxml，可通过pip安装，若对两个库不熟悉请参阅以下资料：

• 使用python-docx读取word文件
• lxml学习笔记（含增删改查）
• lxml.etree.Element中的.addprevious()与.addnext()

本文举例所用的文本内容，为唐朝诗人张若虚的《春江花月夜》，全文如下：

《春江花月夜》
【唐·张若虚】
春江潮水连海平，海上明月共潮生。
滟滟随波千万里，何处春江无月明？
江流宛转绕芳甸，月照花林皆似霰。
空里流霜不觉飞，汀上白沙看不见。
江天一色无纤尘，皎皎空中孤月轮。
江畔何人初见月？江月何年初照人？
人生代代无穷已，江月年年只相似。
不知江月待何人，但见长江送流水。
白云一片去悠悠，青枫浦上不胜愁。
谁家今夜扁舟子？何处相思明月楼？
可怜楼上月徘徊，应照离人妆镜台。
玉户帘中卷不去，捣衣砧上拂还来。
此时相望不相闻，愿逐月华流照君。
鸿雁长飞光不度，鱼龙潜跃水成文。
昨夜闲潭梦落花，可怜春半不还家。
江水流春去欲尽，江潭落月复西斜。
斜月沉沉藏海雾，碣石潇湘无限路。
不知乘月几人归？落月摇情满江树。

• 将全文以纯文本方式粘贴到新建的word文档中，不修改任何格式，直接将文件保存为”春江花月夜.docx“。

• （非必需） 之后，再将文件另存为”word xml(*.xml)“文件，命名为”春江花月夜.xml“，并使用喜欢的xml查看器打开（个人推荐安装了XML Tools插件的Notepad++ 不再推荐Notepad++，原因中国人都懂，我现在自己用VSCode）。

本文将以此为例。

---

初识OpenXML

准备工作完成后，先看一个OpenXML的简单例子（注意这不是一个完整的word文件）：

<w:body xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:wpc="http://schemas.microsoft.com/office/word/2010/wordprocessingCanvas" xmlns:cx="http://schemas.microsoft.com/office/drawing/2014/chartex">
	<w:p w:rsidR="00691F43" w:rsidRDefault="00691F43" w:rsidP="00691F43">
		<w:r>
			<w:rPr>
				<w:rFonts w:hint="eastAsia"/>
			</w:rPr>
			<w:t>《春江花月夜》</w:t>
		</w:r>
	</w:p>
	<w:p w:rsidR=