Python自动化Office文档处理全攻略

​

在日常办公中，处理Word、Excel和PDF等Office文档是再常见不过的任务。手动操作这些文档不仅耗时耗力，还容易出错。幸运的是，Python提供了丰富的库，使得自动化处理这些文档变得轻松高效。本文将通过通俗易懂的表达方式，结合代码和案例，带你领略Python自动化Office文档处理的魅力。

一、自动化处理Word文档

1. 安装python-docx库

python-docx是一个强大的库，可以读取、修改和创建Word文档。在开始之前，你需要确保已经安装了该库。你可以通过以下命令安装：

pip install python-docx

2. 读取Word文档内容

读取Word文档内容非常简单，你可以逐段读取文档中的文字。以下是一个示例代码：

from docx import Document
 
# 打开一个Word文档
doc = Document('example.docx')
 
# 遍历文档中的段落并打印内容
for paragraph in doc.paragraphs:
    print(paragraph.text)

这段代码会打开名为example.docx的文档，并逐段打印其内容。

3. 修改Word文档内容

python-docx同样允许你修改文档内容。例如，你可以替换文档中的特定词语：

from docx import Document
 
# 打开一个Word文档
doc = Document('example.docx')
 
# 遍历段落并替换特定词语
for paragraph in doc.paragraphs:
    if 'old_word' in paragraph.text:
        new_text = paragraph.text.replace('old_word', 'new_word')
        paragraph.text = new_text
 
# 保存修改后的文档
doc.save('modified_example.docx')

这段代码会将文档中的所有old_word替换为new_word，并保存为新的文档。

4. 添加新的段落和文字

你还可以向文档中添加新的段落和文字：

from docx import Document
 
# 打开一个Word文档
doc = Document('example.docx')
 
# 添加一个新的段落
new_paragraph = doc.add_paragraph()
 
# 在新段落里添加文字
new_paragraph.add_run('This is a new paragraph added by Python.')
 
# 保存修改后的文档
doc.save('modified_example.docx')

这段代码会在文档的末尾添加一个新的段落，并写入指定的文字。

5. 实战案例：批量调整Word样式

如果你有多个Word文档需要统一调整字体、字号、段落格式等样式，python-docx可以大显身手。以下是一个批量调整Word样式的示例代码：

import os
from docx import Document
 
# 定义调整样式的函数
def adjust_word_style(file_path):
    doc = Document(file_path)
    for paragraph in doc.paragraphs:
        for run in paragraph.runs:
            run.font.name = 'Times New Roman'  # 设置字体
            run.font.size = 12  # 设置字号
        paragraph.paragraph_format.line_spacing = 1.5  # 设置行距
    doc.save(file_path)
 
# 指定文件夹路径
folder_path = 'your_folder_path'  # 替换为你的文件夹路径
 
# 遍历文件夹中的所有文件
for file_name in os.listdir(folder_path):
    if file_name.endswith('.docx'):
        file_path = os.path.join(folder_path, file_name)
        adjust_word_style(file_path)

这段代码会遍历指定文件夹中的所有.docx文件，并统一调整其样式。

二、自动化处理Excel文档

1. 安装openpyxl和pandas库

openpyxl和pandas是处理Excel文档的两大利器。你可以通过以下命令安装它们：

pip install openpyxl pandas

2. 使用openpyxl读取和修改Excel文件

openpyxl可以轻松读取和修改Excel文件。以下是一个示例代码：

import openpyxl
 
# 加载现有的Excel文件
workbook = openpyxl.load_workbook('example.xlsx')
 
# 选择工作表
sheet = workbook.active
 
# 读取单元格值
cell_value = sheet['A1'].value
print(f"单元格 A1 的值是: {cell_value}")
 
# 修改单元格值
sheet['A1'] = "新的值"
 
# 保存修改后的文件
workbook.save('modified_example.xlsx')

这段代码会打开名为example.xlsx的Excel文件，读取A1单元格的值，将其修改为"新的值"，并保存为新的文件。

3. 使用pandas读取、清洗和保存Excel数据

pandas在处理Excel数据时更加灵活和强大。以下是一个使用pandas读取、清洗和保存Excel数据的示例代码：

import pandas as pd
 
# 读取Excel文件
data = pd.read_excel('data.xlsx')
 
# 查看前五行数据
print(data.head())
 
# 数据清洗：删除空值
data = data.dropna()
 
# 数据筛选：选择特定列
selected_columns = data[['Name', 'Age']]
 
# 数据排序
sorted_data = data.sort_values(by='Age', ascending=False)
 
# 保存处理后的数据到新的Excel文件
sorted_data.to_excel('cleaned_data.xlsx', index=False)

这段代码会读取名为data.xlsx的Excel文件，删除空值，选择Name和Age两列，按Age列降序排序，并将处理后的数据保存为新的Excel文件。

4. 实战案例：数据提取与汇总

从一个复杂的Excel表格中提取特定的数据并进行汇总计算是常见的任务。以下是一个从销售数据表格中提取每个月的销售额总和的示例代码：

import openpyxl
 
# 加载Excel工作簿
wb = openpyxl.load_workbook('sales_data.xlsx')
 
# 选择工作表
sheet = wb.active
 
# 初始化一个字典来存储每个月的销售额
monthly_sales = {}
 
# 遍历表格中的行（假设第一行是标题行）
for row in range(2, sheet.max_row + 1):
    month = sheet.cell(row=row, column=2).value  # 假设月份在第二列
    sales_amount = sheet.cell(row=row, column=3).value  # 假设销售额在第三列
    if month in monthly_sales:
        monthly_sales[month] += sales_amount
    else:
        monthly_sales[month] = sales_amount
 
# 打印每个月的销售额总和
for month, sales in monthly_sales.items():
    print(f"{month}: {sales}")

这段代码会读取名为sales_data.xlsx的Excel文件，提取每个月的销售额总和，并打印出来。

三、自动化处理PDF文档

1. 安装PyPDF2和pdfplumber库

PyPDF2和pdfplumber是处理PDF文档的两大工具。你可以通过以下命令安装它们：

pip install PyPDF2 pdfplumber

2. 使用PyPDF2读取和合并PDF文件

PyPDF2可以读取PDF文件的内容、获取文件页数、提取指定页的内容以及合并多个PDF文件。以下是一个示例代码：

import PyPDF2
 
# 打开PDF文件
with open('example.pdf', 'rb') as file:
    reader = PyPDF2.PdfFileReader(file)
 
# 获取PDF文件的页数
num_pages = reader.getNumPages()
print(f"PDF 文件有 {num_pages} 页")
 
# 提取第一页的内容
page = reader.getPage(0)
text = page.extractText()
print(f"第一页的内容是:\n{text}")
 
# 创建新的PDF文件
writer = PyPDF2.PdfFileWriter()
for i in range(num_pages):
    page = reader.getPage(i)
    writer.addPage(page)
 
with open('new_example.pdf', 'wb') as output_file:
    writer.write(output_file)
print("新的 PDF 文件已保存")

这段代码会打开名为example.pdf的PDF文件，提取第一页的内容并打印出来，然后创建一个包含所有页的新PDF文件。

3. 使用pdfplumber更准确地提取PDF文本

相比PyPDF2，pdfplumber在提取PDF文本时更加准确。以下是一个使用pdfplumber提取PDF文本内容的示例代码：

import pdfplumber
 
# 打开PDF文件
with pdfplumber.open('example.pdf') as pdf:
    # 获取PDF文件的页数
    num_pages = len(pdf.pages)
    print(f"PDF 文件有 {num_pages} 页")
 
    # 提取第一页的内容
    first_page = pdf.pages[0]
    text = first_page.extract_text()

    print(f"第一页的内容是:\n{text}")

实战案例：批量提取PDF中的表格数据

在处理包含表格数据的PDF文件时，pdfplumber能够准确地提取表格内容。以下是一个批量提取指定文件夹中所有PDF文件的表格数据的示例代码：

import os
import pdfplumber

指定文件夹路径
folder_path = 'your_pdf_folder_path' # 替换为你的文件夹路径
output_data = []

遍历文件夹中的所有文件
for file_name in os.listdir(folder_path):
if file_name.endswith('.pdf'):
file_path = os.path.join(folder_path, file_name)

# 打开PDF文件
    with pdfplumber.open(file_path) as pdf:
        # 假设每个PDF文件只有一页包含表格数据
        page = pdf.pages[0]  # 根据实际情况调整页码
        
        # 提取表格
        table = page.extract_table()
        
        # 将表格数据添加到输出列表中（可以根据需要调整数据结构）
        output_data.append({
            'file_name': file_name,
            'table_data': table
        })
打印或保存提取的表格数据
for item in output_data:
print(f"文件名: {item['file_name']}")
for row in item['table_data']:
print(row)
print("\n")

如果需要保存为Excel文件，可以使用pandas的DataFrame和to_excel方法
import pandas as pd
df = pd.DataFrame(output_data_reformatted) # 需要根据实际情况调整数据结构以适应DataFrame
df.to_excel('extracted_tables.xlsx', index=False)

注意：在实际应用中，可能需要调整代码以适应不同PDF文件的表格结构和数据格式。此外，如果PDF文件中的表格跨越多页，需要相应地修改代码以遍历所有相关页面。

通过本文的介绍，你已经掌握了使用Python自动化处理Word、Excel和PDF文档的基本方法。这些技能将极大地提高你的办公效率，减少手动操作的错误率。随着你对这些库和工具的深入了解，还可以探索更多高级功能，以满足更复杂的文档处理需求。

​