大家好,我是小小明,今天我要给大家分享的是两个word文档处理的案例,核心是读取excel的数据,按照指定的规则写入到word中。

之前们已经分享过一些pandas读写excel的例子,这次我们需要在此基础上还需读写word文档。

python-docx简介

利用python读写word文档的库是python-docx,安装:

pip install python-docx

python-docx 官方文档: https://python-docx.readthedocs.io/en/latest/

基本的对象关系:

image-20201230164040317

单字字音分析处理

之前遇到一个需求:

image-20201230110530386

分析需求呢,会发现它要求在word文档中添加一行在excel对应的声韵调,若音1声超过1个字符还需将最后一个字符上标,音1韵不上标,音1调需整体上标。

为了解决这个问题,首先我们需要处理出我们需要的数据,每个单字对应的字音(音韵声)。

自然第一步是读取excel文件,最终产生以调查条目为键,声韵调作为值的字典,而音1声超过1个字符需将最后一个字符上标,所以音1声应该把不需上标和需要上标的分开存储,最终形成一个四元组。

看看代码吧:

数据读取

import pandas as pd

df = pd.read_excel("老男单字.xls", usecols=[0, 1, 3, 4, 5], dtype={'编号': 'str'})
df.head()
编号调查条目音1声音1韵音1调
0001to44
0002tho44
0003ta13
0004lo21
0005tso35

单字对应的字音字典生成

symbols = {}
for row in df.values:
    k = row[1]
    a = row[2].strip()
    if len(a) > 1:
        v = (a[:-1], a[-1], row[3].strip(), str(row[4]))
    else:
        v = (a, "", row[3].strip(), str(row[4]))
    symbols[k] = v

利用pandas查看生成结果:

pd.DataFrame.from_dict(symbols, 'index').head(10)

image-20201230114128239

测试数据匹配

好,接下来,我们尝试读取word文档的第一个表格,并匹配获取每个字音需要添加的音韵调:

from docx import Document

doc = Document(r"01老男单字字音对照表(兴义).docx")
header_cells = doc.tables[0].rows[0].cells[1:]
for cell in header_cells:
    k = cell.text[5]
    print(cell.text, symbols[k])

打印结果:

0001多 ('t', '', 'o', '44')
0002拖 ('t', 'h', 'o', '44')
0003大~小 ('t', '', 'a', '13')
0004锣 ('l', '', 'o', '21')
0005左 ('t', 's', 'o', '35')
0006歌 ('k', '', 'o', '44')
0007个 ('k', '', 'o', '13')
0008可 ('k', 'h', 'o', '13')

说明数据匹配暂时没有问题。

测试添加数据

然后尝试向第一个表格添加数据,并保存看看效果:

from docx.enum.text import WD_ALIGN_PARAGRAPH

doc = Document(r"01老男单字字音对照表(兴义).docx")
header_cells = doc.tables[0].rows[0].cells[1:]
row_cells = doc.tables[0].add_row().cells[1:]
for header_cell, row_cell in zip(header_cells, row_cells):
    k = header_cell.text[4]
    a, b, c, d = symbols[k]
    (p,) = row_cell.paragraphs
    p.alignment = WD_ALIGN_PARAGRAPH.CENTER
    p.style.font.name = 'IPAPANNEW'
    p.add_run(a)
    p.add_run(b).font.superscript = True
    p.add_run(c)
    p.add_run(d).font.superscript = True
doc.save("tmp.docx")

结果:

image-20201230113721185

可以看到已经顺利添加进去,并没有什么问题。

最终测试

现在改下代码,添加所有单元格:

doc = Document(r"01老男单字字音对照表(兴义).docx")
for t in doc.tables:
    header_cells = t.rows[0].cells[1:]
    row_cells = t.add_row().cells[1:]
    for header_cell, row_cell in zip(header_cells, row_cells):
        k = header_cell.text[4]
        a, b, c, d = symbols[k]
        (p,) = row_cell.paragraphs
        p.alignment = WD_ALIGN_PARAGRAPH.CENTER
        p.style.font.name = 'IPAPANNEW'
        p.add_run(a)
        p.add_run(b).font.superscript = True
        p.add_run(c)
        p.add_run(d).font.superscript = True
doc.save("result.docx")

结果:

image-20201230115058585

可以看到,都顺利添加了对应的字音,但有点不太满意,有部分整行都是空白单元格,应该删除更佳。

增加删除空行的代码:

doc = Document(r"01老男单字字音对照表(兴义).docx")
for t in doc.tables:
    # 从第四行开始检查并去除表格的空白行
    for row in t.rows[3:]:
        if np.all([cell.text == "" for cell in row.cells]):
            t._tbl.remove(row._tr)
    # 取出第一行从第二个开始所有单元格
    header_cells = t.rows[0].cells[1:]
    # 取出新增一行从第二个开始所有单元格
    row_cells = t.add_row().cells[1:]
    for header_cell, row_cell in zip(header_cells, row_cells):
        k = header_cell.text[4]
        a, b, c, d = symbols[k]
        (p,) = row_cell.paragraphs
        p.alignment = WD_ALIGN_PARAGRAPH.CENTER
        p.style.font.name = 'IPAPANNEW'
        p.add_run(a)
        p.add_run(b).font.superscript = True
        p.add_run(c)
        p.add_run(d).font.superscript = True
doc.save("result.docx")

再次执行,office打开的结果:

image-20201230143232898

可以看到空行已经都顺利的被删除。

完整处理代码

整个过程已经完整测试通过,最终完整处理代码为:

from docx.enum.text import WD_ALIGN_PARAGRAPH
from docx import Document
import pandas as pd
import numpy as np

df = pd.read_excel("老男单字.xls", usecols=[1, 3, 4, 5])
symbols = {}
for row in df.values:
    k = row[0]
    a = row[1].strip()
    if len(a) > 1:
        v = (a[:-1], a[-1], row[2].strip(), str(row[3]))
    else:
        v = (a, "", row[2].strip(), str(row[3]))
    symbols[k] = v

doc = Document(r"01老男单字字音对照表(兴义).docx")
for t in doc.tables:
    # 从第四行开始检查并去除表格的空白行
    for row in t.rows[3:]:
        if np.all([cell.text == "" for cell in row.cells]):
            t._tbl.remove(row._tr)
    # 取出第一行从第二个开始所有单元格
    header_cells = t.rows[0].cells[1:]
    # 取出新增一行从第二个开始所有单元格
    row_cells = t.add_row().cells[1:]
    for header_cell, row_cell in zip(header_cells, row_cells):
        k = header_cell.text[4]
        a, b, c, d = symbols[k]
        (p,) = row_cell.paragraphs
        p.alignment = WD_ALIGN_PARAGRAPH.CENTER
        p.style.font.name = 'IPAPANNEW'
        p.add_run(a)
        p.add_run(b).font.superscript = True
        p.add_run(c)
        p.add_run(d).font.superscript = True
doc.save("result.docx")

词汇音分析处理

需求2:

image-20201230144748998

当然有部分词汇存在两个词就需要换行都写入:

image-20201230150058762

上标规则是所有的数字和h都上标,其他不用上标。

那同样的思路,先读取excel并解析出需要的数据:

数据读取并解析

import pandas as pd

df = pd.read_excel("词汇(凯里).xls", index_col=0)
df.tail()

结果:

image-20201230152708041

# 词音按照不是h而且不是数字,以及是h,和是数字 三种规则切分
df['词1音'] = df['词1音'].str.findall("[^h\d]+|h|\d+")
df['词2音'] = df['词2音'].str.findall("[^h\d]+|h|\d+")
df = df[["词1字", "词1音", "词2字", "词2音"]]
df.tail()

结果:

image-20201230154259704

最终想得到的处理结果:

symbols = df.to_dict('index')

word文档编号转换测试

运行以下代码:

from docx import Document

doc = Document(r"02词汇对照表(兴义).docx")
i = 0
for t in doc.tables:
    # 取出第一行从第二个开始所有单元格
    header_cells = t.rows[0].cells[1:]
    for header_cell in header_cells:
        k = int(header_cell.text[:4].replace('ʰ', '9'))

未发现任何报错,说明对应编号获取成功,于是就可以通过将键k传入symbols获取需要写入的数据。

最终word生成代码

from docx import Document

doc = Document(r"02词汇对照表(兴义).docx")
for t in doc.tables:
    # 取出第一行从第二个开始所有单元格
    header_cells = t.rows[0].cells[1:]
    # 取出新增一行从第二个开始所有单元格
    row_cells = t.add_row().cells[1:]
    for header_cell, row_cell in zip(header_cells, row_cells):
        k = int(header_cell.text[:4].replace('ʰ', '9'))
        symbol_dict = symbols[k]
        if not pd.isna(symbol_dict['词2字']):
            row_cell.add_paragraph()
        for i, p in enumerate(row_cell.paragraphs, 1):
            p.style.font.name = 'IPAPANNEW'
            p.add_run(symbol_dict[f'词{i}字']).font.name = "宋体"
            for n, e in enumerate(symbol_dict[f'词{i}音']):
                run = p.add_run(e)
                if n % 2 == 1:
                    run.font.superscript = True

doc.save("result.docx")

完整处理代码

from docx import Document
import pandas as pd

df = pd.read_excel("词汇(凯里).xls", index_col=0)
# 词音按照不是h而且不是数字,以及是h,和是数字 三种规则切分
df['词1音'] = df['词1音'].str.findall("[^h\d]+|h|\d+")
df['词2音'] = df['词2音'].str.findall("[^h\d]+|h|\d+")
df = df[["词1字", "词1音", "词2字", "词2音"]]
symbols = df.to_dict('index')

doc = Document(r"02词汇对照表(兴义).docx")
for t in doc.tables:
    # 取出第一行从第二个开始所有单元格
    header_cells = t.rows[0].cells[1:]
    # 取出新增一行从第二个开始所有单元格
    row_cells = t.add_row().cells[1:]
    for header_cell, row_cell in zip(header_cells, row_cells):
        k = int(header_cell.text[:4].replace('ʰ', '9'))
        symbol_dict = symbols[k]
        if not pd.isna(symbol_dict['词2字']):
            row_cell.add_paragraph()
        for i, p in enumerate(row_cell.paragraphs, 1):
            p.style.font.name = 'IPAPANNEW'
            p.add_run(symbol_dict[f'词{i}字']).font.name = "宋体"
            for n, e in enumerate(symbol_dict[f'词{i}音']):
                run = p.add_run(e)
                if n % 2 == 1:
                    run.font.superscript = True

doc.save("result.docx")

最终结果:

image-20201230162956067


本文转载:CSDN博客