title	date	tags
python处理word文档案例-列出修订点	2019-10-30 05:18:56 -0700	python word BeautifulSoup

项目背景

最近一个“大法师”朋友找到了我，问我能不能帮他做一个小程序，需要将word文档中的修订内容（如下图1）都统一做成如下形式，生成修订表（如图2）。

图1 原文件

图2 生成的修订表

需求分析

实现方式

因为本人是典型的java程序员，也会一点点python。在网上找到的资源，只有一个修订方式是批注的解决方法，不包含其他的修改类型（比如：新增，删除，移动，格式）。 目前网上找到的解决方案有如下几种： 1.通过VB或者宏程序处理； 2.通过解析word的xml去处理。 第一种方式是最简单的，但是因为对这方面不太熟悉，而朋友又急着要，因此这个方案先抛弃了。 下面着重讲解通过解析word的xml来实现这个效果的思路。

开发前的准备

1.将原文docx文档，通过更改后缀为zip,将里面的xml文件拿出来。（主要用到的是document.xml，styles.xml）

2.准备好开发环境：python3，以及几个主要的依赖：BeautifulSoup,docx。

具体设计

提取修订内容

这里我们需要提取的修订内容主要是新增的内容，以及删除的内容。

1.在原文中找到一个删除的内容，在xml里查找。可以看到在如下图所示位置可以找到，属于‘w:del’标签。

2.同理。新增内容也找到，属于‘w:ins’标签。

3.这样，在我们的代码中，只要查找这两个标签的内容就可以找到对应的修订记录里。但是这样还不够，我们最终的效果是要原文和修改后的内容进行对比。这里的解决思路是这样的：提取每一段文字，将文字中标记为新增的内容删掉，就是原文；将文字中标记为删掉的内容去掉，就是修订后的内容。源码如下。

# 原文内容：删掉添加的
oldcontents = oldpar.find_all("w:ins")
# 修订版内容：去掉删除的
newcontents = newpar.find_all("w:del")
for oldcontent in oldcontents:
    oldcontent.extract()
for newcontent in newcontents:
    newcontent.extract()

提取章节内容

章节内容需要放在表格的第一列，并且同一章节的修订内容应该归纳在同一个章节里。

1.在我们这里，文档中的章节内容一般都是标题1文字，这里找到styles.xml,里面有标题1的定义样式。如下图所示，我们找到‘heading 1’的定义，styleid是1.

2.在document.xml里找到对应的‘w:pStyle’标签，并且 ‘w:val’属性为1。

3.具体解析方式，如下源码。

# 查找前面第一个标题
wpparas = para.find_all_previous('w:p');
if len(wpparas)>0:
    haschapter = False
    for index in range(len(wpparas)):
        wppara = wpparas[index]
        p = wppara.find('w:pstyle',attrs={'w:val' : headingstyleid})
        if p is not None :
            if wppara.get_text() is not None and charpter !='' and  charpter != wppara.get_text():
                 # 合并单元格
                table.cell(charpterstartindex, 0).merge(table.cell(len(table.rows)-1, 0)).text = charpter
                charpterstartindex = len(table.rows)
            charpter = wppara.get_text();
            haschapter = True
            break
        if index == (len(wpparas)-1) and not haschapter:
            charpterstartindex += 1

说明

其他更详细的源码参见：我的github