用Python处理Excel和Word

发表于 |

微软的Office系列具有非常厉害的技术，但产品具有极高的学习成本，例如在查找替换这一项，它不支持标准的正则表达式（毕竟是wysiwyg嘛，也要考虑样式），但不是基于正则表达式定制，而是自己另辟蹊径，这就有点让人难受了。而内置的Word VBA的相关文档和Demo又很少，基本要靠录制宏来现学现卖，而录制宏生成的代码过于adhoc，难以泛化，所以这时候借助于Python来处理相关文档就显得比较有意义。

Word VBA实例

以下面这个为例，为了将一个小数转成百分数表示，我们先要搜索0.([0-9]{2})([0-9]@)^13这个串，其中^13表示换行符，@表示一个以上的字符或者表达式，类似于非贪心的+，在这里不太清楚@和*的行为有什么区别。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
Sub DoReplace()
With ActiveDocument.Range.Find
    .ClearFormatting
    .Replacement.ClearFormatting
    .Forward = True
    .Format = False
    .Wrap = wdFindContinue
    .MatchWildcards = True
    .Text = "0.([0-9]{2})([0-9]@)^13"
    .Replacement.Text = "\1.\2%^p" ' 到这里为止，加上了百分比符号
    .Execute Replace:=wdReplaceAll
    .Text = "0([0-9].[0-9]@%)" ' 去掉前面的0
    .Replacement.Text = "\1"
    .Execute Replace:=wdReplaceAll
End With
End Sub

Word

Word上的操作主要依赖docx这个库。
我们用一个Document维护一个文档。
一个文档由很多的段落组成，可以用下面的办法进行枚举。

1
2
for p in doc.paragraphs:
    print p

需要注意的是，paragraph是一个getter/setter方法

1
2
3
4
5
6
7
8
9
10
11
12
13
# document.py
@property
def paragraphs(self):
    # _body是一个_Body对象，而后者继承了BlockItemContainer
    return self._body.paragraphs
# blkcntnr.py
@property
def paragraphs(self):
    """
    A list containing the paragraphs in this container, in document
    order. Read-only.
    """
    return [Paragraph(p, self) for p in self._element.p_lst]

一个paragraph由很多个run组成，如果单纯设置或者访问paragraph.text，会丢掉格式。

1
2
3
4
5
6
7
8
9
10
11
12
# paragraph.py
@property
def text(self):
    text = ''
    for run in self.runs:
        text += run.text
    return text

@text.setter
def text(self, text):
    self.clear()
    self.add_run(text)

加图片document.add_picture，会先在document的最后加上一个paragraph和run，在这个run里面加上picture

1
2
3
def add_picture(self, image_path_or_stream, width=None, height=None):
    run = self.add_paragraph().add_run()
    return run.add_picture(image_path_or_stream, width, height)

Excel+Pandas

可以通过Pandas来操作Excel，这里详见Pandas的介绍

Reference

  1. https://python-docx.readthedocs.io/en/latest/