13-读取Word文档

15.3.1　读取Word文档

让我们尝试使用 docx 模块。从异步社区本书对应页面下载demo.docx，并将它保存在当前工作目录中。然后在交互式环境中输入以下代码：

 >>> import docx
❶ >>> doc = docx.Document('demo.docx')
❷ >>> len(doc.paragraphs)
   7
❸ >>> doc.paragraphs[0].text
   'Document Title'
❹ >>> doc.paragraphs[1].text
   'A plain paragraph with some bold and some italic'
❺ >>> len(doc.paragraphs[1].runs)
   4
❻ >>> doc.paragraphs[1].runs[0].text
   'A plain paragraph with some '
❼ >>> doc.paragraphs[1].runs[1].text
   'bold'
❽ >>> doc.paragraphs[1].runs[2].text
   ' and some '
❾ >>> doc.paragraphs[1].runs[3].text
   'italic'

在❶行，我们在Python中打开了一个.docx文档，通过调用 docx.Document() 来传入文档名demo.docx。这将返回一个 Document 对象，它有 paragraphs 属性，是 Paragraph 对象的列表。如果我们对 doc.paragraphs 调用 len() ，将返回7。这告诉我们，该文档有7个 Paragraph 对象❷。每个 Paragraph 对象都有一个 text 属性，该属性包含该段中文本的字符串（没有样式信息）。这里，第一个 text 属性包含 'DocumentTitle' ❸，第二个包含 'A plain paragraph with some bold and some italic' ❹。

每个 Paragraph 对象也有一个 runs 属性，它是 Run 对象的列表。 Run 对象也有一个 text 属性，包含特定运行中的文本。我们看看第二个 Paragraph 对象中的 text 属性： 'A plain paragraph with some bold and some italic' 。对这个 Paragraph 对象调用 len() ，结果告诉我们有4个 Run 对象❺。第一个对象包含 'A plain paragraph with some ' ❻。然后，文本变为粗体样式，因此 'bold' 开始了一个新的 Run 对象❼。在这之后，文本又回到了非粗体的样式，这导致了第三个 Run 对象： ' and some ' ❽。最后，第四个对象包含 'italic' ，是斜体样式❾。

有了python-docx，Python程序就能从.docx文档中读取文本，像使用其他的字符串值一样使用它。