python处理xps文件,python处理document文档保留原样式

document文档格式、线段、图片、页眉页脚等都不变，供大家参考，具体内容如下

# -*- coding: utf-8 -*-

# @Time : 2019/5/6 11:46

# @Author :

"""

# 利用python-docx替换文章中的内容

pip install python-docx

# 格式、线段、图片、页眉页脚等都不变

# python-docx 在处理超链接的问题时,可以参考一下链接对源码进行修改

https://github.com/python-openxml/python-docx/issues/85

# 具体修改操作如下

site-packagesdocxoxml__init__.py

# 需要新增的代码

def remove_hyperlink_tags(xml):

import re

text = xml.decode('utf-8')

text = text.replace("","")

text = re.sub(']*>', "", text)

return text.encode('utf-8')

# 需要修改的源码

def parse_xml(xml):

root_element = etree.fromstring(remove_hyperlink_tags(xml), oxml_parser)

return root_element

"""

import os

from docx import Document

from win32com import client

# 自己写的逐句翻译包

import doc_scan

def pre_document(filename):

"""

由于python_docx(只能读取.docx文件，不能读取.doc文件)

将对应文件夹下的doc文件转为docx文件

:param filename: 文件的绝对路径

:return:

"""

file_tuple = os.path.splitext(filename)

if file_tuple[1] == '.doc':

word = client.Dispatch('Word.Application')

doc = word.Documents.Open(filename) # 目标路径下的文件

doc.SaveAs(file_tuple[0] + ".docx", 16) # 转化后路径下的文件

doc.Close()

word.Quit()

# 把源文件删除

os.remove(filename)

def read_document():

"""

原文文章为中文,然后将中文逐句翻译成英文,把英文替换原来的中文,保留文章的原样式

:return:

"""

# 遍历doc文件下的所有的文件

path = os.path.dirname(os.path.abspath(__file__)) + 'doc'

for f in os.listdir(path):

file = "%s%s" % (path, f)

# 对源文件进行预处理

pre_document(file)

document = Document(file)

for num, paragraph in enumerate(document.paragraphs):

# 获取每段中的文字

old_text = paragraph.text.strip()

if old_text:

inlines = paragraph.runs

if inlines:

# 将原有的文章里面的内容为空

for li, inli in enumerate(inlines):

inlines[li].text = inlines[li].text.replace(inlines[li].text, '')

new_text = doc_scan.Scan(old_text)

# 把翻译好的文章句子 替换到 零号位置上面

inlines[0].text = new_text

# 保存文件,覆盖操作

document.save(file)

# 将document中的图片下载到本地

# document = Document(file)

# for shape in document.inline_shapes:

# contentID = shape._inline.graphic.graphicData.pic.blipFill.blip.embed

# contentType = document.part.related_parts[contentID].content_type

# if not contentType.startswith('image'):

# continue

# imgName = basename(document.part.related_parts[contentID].partname)

# imgData = document.part.related_parts[contentID]._blob

# with open(imgName,'wb') as fp:

# fp.write(imgData)

if __name__ == '__main__':

read_document()

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

时间： 2019-09-21