Python自动化操作 Word 和 PDF

python-docx 简介

python-docx 是 Python 操作 Word 文档最常用的库。它的处理方式是面向对象的，会把 Word 文档中的各种元素都看作对象：

Document - 整个 Word 文档
Paragraph - 文档中的段落
Run - 段落中的文字块（可以设置不同格式）

这三级结构是最基础的概念。如果文档中有表格，结构会稍微复杂一点：

表格可以看成 Document → Table → Row/Column → Cell 这样的四级结构，跟 Excel 很像。

安装 python-docx

在 PyCharm 的终端里输入：

bash 复制代码

pip install python-docx

看到 Successfully installed 就表示安装成功了。

课程准备

下载课程资源文件： $点击下载 word.zip$

解压后放到 D:\自动化\word 目录下，结构如下：

提前准备好文件夹，方便后面跟着练习。

新建与保存 Word 文档

bash 复制代码

from docx import Document

# 创建一个空文档
document = Document()

# 保存到指定路径
document.save(r'D:\自动化\word\道德经.docx')

运行后，在 D:\自动化\word 目录下就会多出一个 道德经.docx 文件。因为是空文档，打开里面是空白的。

注意：安装的是 python-docx，但导入时用 import docx。

写入 Word 文档

下面这段代码演示了往 Word 里写各种内容：

python 复制代码

from docx import Document
from docx.shared import Inches, Cm  # 英寸和厘米单位

# 打开刚才创建的文档
file_path = r'D:\自动化\word\道德经.docx'
document = Document(file_path)

# 添加文档标题（level=0 是文档标题）
document.add_heading('道德经', 0)

# 添加段落
p = document.add_paragraph('道可道，非常道；名可名，非常名。')

# 在同一段落里追加不同格式的文字
p.add_run('无名，天地之始，').bold = True      # 粗体
p.add_run('有名，')                              # 默认格式
p.add_run('万物之母。').italic = True           # 斜体

# 添加一级标题
document.add_heading('故常无欲，', level=1)

# 添加带样式的段落
document.add_paragraph('以观其妙，', style='Intense Quote')

# 添加项目符号列表
document.add_paragraph('常有欲，以观其徼。', style='List Bullet')

# 添加编号列表
document.add_paragraph('此两者，同出而异名，同谓之玄，玄之又玄，众妙之门。', style='List Number')
document.add_paragraph('所以说，学Python，学得妙。', style='List Number')

# 添加图片（三种方式）
img_path = r'D:\自动化\word\girl.png'
document.add_picture(img_path)                           # 原图大小
document.add_picture(img_path, width=Inches(1.25))       # 指定宽度
document.add_picture(img_path, width=Cm(5), height=Cm(5))  # 指定宽高

# 准备表格数据
records = (
    (1, '李白', '诗仙'),
    (2, '杜甫', '诗圣'),
    (3, '白居易', '香山居士, 与元稹并称元白, 与刘禹锡合称刘白')
)

# 添加表格（1行3列，带网格样式）
table = document.add_table(rows=1, cols=3, style='Table Grid')

# 填充表头
hdr_cells = table.rows[0].cells
hdr_cells[0].text = '序号'
hdr_cells[1].text = '姓名'
hdr_cells[2].text = '描述'

# 动态添加数据行
for id, name, desc in records:
    row_cells = table.add_row().cells
    row_cells[0].text = str(id)
    row_cells[1].text = name
    row_cells[2].text = desc

# 再添加一个表格（另一种填充方式）
document.add_paragraph('再添加一个表格')

records2 = [
    ["姓名", "性别", "家庭地址"],
    ["貂蝉", "女", "河北省"],
    ["杨贵妃", "女", "贵州省"],
    ["西施", "女", "山东省"]
]

# 创建4行3列的表格
table2 = document.add_table(rows=4, cols=3, style='Light List Accent 5')

# 用双重循环填充
for 行索引 in range(4):
    cells = table2.rows[行索引].cells
    for 列索引 in range(3):
        cells[列索引].text = str(records2[行索引][列索引])

# 添加分页符
document.add_page_break()

# 保存文档
document.save(file_path)

写入操作知识点总结

打开/创建文档

python 复制代码

# 创建空文档
document = Document()

# 打开已有文档
document = Document('exist.docx')

添加标题

python 复制代码

# level 1-9 对应 标题1-标题9
document.add_heading('一级标题', level=1)

添加段落

python 复制代码

# 普通段落
p = document.add_paragraph('正文内容')

# 带样式的段落
document.add_paragraph('引用内容', style='Intense Quote')
document.add_paragraph('项目符号', style='List Bullet')
document.add_paragraph('编号列表', style='List Number')

在段落中添加文字块

python 复制代码

p = document.add_paragraph('开头文字')
p.add_run('粗体文字').bold = True
p.add_run('斜体文字').italic = True
p.add_run('普通文字')

添加图片

python 复制代码

# 原图大小
document.add_picture('girl.png')

# 指定宽度
document.add_picture('girl.png', width=Inches(1.25))

# 指定宽高
document.add_picture('girl.png', width=Cm(5), height=Cm(5))

添加表格

python 复制代码

# 创建表格
table = document.add_table(rows=4, cols=3)

# 带样式的表格
table = document.add_table(rows=4, cols=3, style='Table Grid')

常用表格样式：

Normal Table - 普通表格
Table Grid - 网格线
Light Shading Accent 1-6 - 浅色底纹
Light List Accent 1-6 - 浅色列表
Light Grid Accent 1-6 - 浅色网格

添加分页符

bash 复制代码

document.add_page_break()

读取 Word 文档

python 复制代码

from docx import Document

doc = Document(r'D:\自动化\word\道德经.docx')

# 读取所有段落文字
print("=== 所有段落内容 ===")
for p in doc.paragraphs:
    print(p.text)

# 读取指定段落的文字块
print("\n=== 第2段的文字块 ===")
for run in doc.paragraphs[1].runs:
    print(run.text)

# 读取所有表格
print("\n=== 所有表格内容 ===")
for 表格 in doc.tables:
    for 行 in 表格.rows:
        row_data = []
        for 单元格 in 行.cells:
            row_data.append(单元格.text)
        print(row_data)

# 另存为新文档
doc.save(r'D:\自动化\word\另存为新文档.docx')

注意：

doc.paragraphs 获取所有段落（不含表格，但图片和分页符也算段落）
段落.runs 获取段落的文字块
doc.tables 获取所有表格

实战一：提取 Word 数据到 Excel

需求描述

有一个文件夹里有很多会议通知 Word 文件，格式都一样。需要提取里面的学习时间、学习内容、学习形式、主持人，汇总到 Excel 中。

Word 文件格式：

目标 Excel 格式：

代码实现

自动化操作 PDF

用到的库

Python 操作 PDF 主要用两个库：

库	用途
PyPDF2	读取、写入、分割、合并 PDF 文件
pdfplumber	提取 PDF 中的文字和表格

安装命令：

bash 复制代码

pip install PyPDF2
pip install pdfplumber

拆分 PDF

python 复制代码

from docx import Document
from openpyxl import load_workbook
import glob

def 提取数据汇总(file_dir):
    """从Word会议通知中提取数据汇总到Excel"""
    
    # 打开Excel模板
    template = file_dir + r'\汇总模板.xlsx'
    workbook = load_workbook(template)
    sheet = workbook.active
    
    number = 1  # 序号计数
    
    # 获取所有docx文件
    docFiles = glob.glob(file_dir + r'\*.docx')
    
    for file in docFiles:
        doc = Document(file)
        
        contentList = []  # 学习内容列表
        studyTime = ''    # 学习时间
        studyType = ''    # 学习形式
        host = ''         # 主持人
        
        # 遍历所有段落，提取信息
        for paragraph in doc.paragraphs:
            text = paragraph.text
            
            # 提取学习时间
            if '学习时间：' in text:
                studyTime = text.split('学习时间：')[1]
            
            # 提取主持人
            elif '主持人：' in text:
                host = text.split('主持人：')[1]
            
            # 提取学习形式
            elif '学习形式：' in text:
                studyType = text.split('学习形式：')[1]
            
            # 提取学习内容（以数字+顿号开头）
            elif len(text) >= 2 and text[0].isdigit() and text[1] == '、':
                contentList.append(text)
        
        # 合并学习内容
        content = ' '.join(contentList)
        
        # 写入Excel
        sheet.append([number, studyTime, content, studyType, host])
        number += 1
    
    # 保存汇总结果
    workbook.save(file_dir + r'\会议汇总.xlsx')
    print(f"✅ 汇总完成！共处理 {number-1} 个文件")


if __name__ == '__main__':
    提取数据汇总(r'D:\自动化\word\会议通知')

把一个大 PDF 拆成多个小 PDF：

python 复制代码

import os
from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_path = r"D:\自动化\pdf\二期第1讲.pdf"
out_dir = r"D:\自动化\pdf\拆分"

# 创建输出目录
if not os.path.exists(out_dir):
    os.makedirs(out_dir)

# 读取PDF
pdf_reader = PdfFileReader(pdf_path)

# 获取总页数
pageCount = pdf_reader.getNumPages()
print(f"总页数: {pageCount}")

# 每页拆成一个PDF
for page in range(pageCount):
    pdf_writer = PdfFileWriter()
    pdf_writer.addPage(pdf_reader.getPage(page))
    
    out_path = os.path.join(out_dir, f"page_{page+1}.pdf")
    with open(out_path, "wb") as out:
        pdf_writer.write(out)
    
    print(f"已保存: page_{page+1}.pdf")

print("✅ 拆分完成！")

合并 PDF

把多个小 PDF 合并成一个大 PDF：

python 复制代码

from PyPDF2 import PdfFileReader, PdfFileWriter
import os

pdf_dir = r"D:\自动化\pdf\拆分"
out_path = r"D:\自动化\pdf\merge.pdf"

# 获取所有PDF文件并排序
pdfList = sorted([f for f in os.listdir(pdf_dir) if f.endswith('.pdf')])

pdf_writer = PdfFileWriter()

for pdf_name in pdfList:
    path = os.path.join(pdf_dir, pdf_name)
    pdf_reader = PdfFileReader(path)
    
    # 把所有页都加到writer里
    for page in range(pdf_reader.getNumPages()):
        pdf_writer.addPage(pdf_reader.getPage(page))
    
    print(f"已添加: {pdf_name}")

# 保存合并后的文件
with open(out_path, "wb") as out:
    pdf_writer.write(out)

print(f"✅ 合并完成！保存至: {out_path}")

提取文字内容

python 复制代码

import pdfplumber

pdf_path = r"D:\自动化\pdf\道德经.pdf"

with pdfplumber.open(pdf_path) as pdf:
    # 读取所有页的内容
    for i, page in enumerate(pdf.pages):
        text = page.extract_text()
        print(f"\n=== 第 {i+1} 页 ===")
        print(text)
    
    # 只读第一页
    # page = pdf.pages[0]
    # print(page.extract_text())

提取表格内容

python 复制代码

import pdfplumber

pdf_path = r"D:\自动化\pdf\道德经.pdf"

with pdfplumber.open(pdf_path) as pdf:
    page = pdf.pages[1]  # 获取第2页
    
    # 提取第一个表格
    table = page.extract_table()
    print("第一个表格:")
    for row in table:
        print(row)
    
    # 提取所有表格
    tables = page.extract_tables()
    print(f"\n共找到 {len(tables)} 个表格")

注意：提取的表格可能有 None 值，使用时需要清洗数据。

PDF 加密

给 PDF 添加密码：

python 复制代码

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_path = r"D:\自动化\pdf\道德经.pdf"
save_path = r"D:\自动化\pdf\加密后.pdf"

pdf_reader = PdfFileReader(pdf_path)
pdf_writer = PdfFileWriter()

# 复制所有页
for page in range(pdf_reader.getNumPages()):
    pdf_writer.addPage(pdf_reader.getPage(page))

# 设置密码
pdf_writer.encrypt("youbafu")

# 保存
with open(save_path, "wb") as out:
    pdf_writer.write(out)

print("✅ 加密完成！密码: youbafu")

PDF 解密

移除 PDF 密码：

python 复制代码

from PyPDF2 import PdfFileReader, PdfFileWriter

pdf_path = r"D:\自动化\pdf\加密后.pdf"
save_path = r"D:\自动化\pdf\解密后.pdf"

pdf_reader = PdfFileReader(pdf_path)

# 用密码解密
pdf_reader.decrypt('youbafu')

# 复制所有页
pdf_writer = PdfFileWriter()
for page in range(pdf_reader.getNumPages()):
    pdf_writer.addPage(pdf_reader.getPage(page))

# 保存
with open(save_path, "wb") as out:
    pdf_writer.write(out)

print("✅ 解密完成！")

实战二：拆分 PDF 文件（进阶版）

WPS 等软件拆分 PDF 经常要收费，我们自己写代码实现这个功能。

下面的代码可以按指定页数间隔拆分 PDF：

python 复制代码

import os
from PyPDF2 import PdfFileWriter, PdfFileReader

def 拆分PDF(file_name, file_path, save_dir, step=3):
    """
    拆分PDF为多个小文件
    
    参数:
        file_name: 拆分后的文件名前缀
        file_path: 原PDF路径
        save_dir: 保存目录
        step: 每多少页拆成一个文件（默认3页）
    """
    
    # 创建保存目录
    if not os.path.exists(save_dir):
        os.mkdir(save_dir)
    
    if step < 1:
        print("拆分间隔不能小于1")
        return
    
    # 读取PDF
    pdf_reader = PdfFileReader(file_path)
    pageCount = pdf_reader.getNumPages()
    
    print(f"原文件共 {pageCount} 页，每 {step} 页拆分为一个文件\n")
    
    # 按step间隔拆分
    for page in range(0, pageCount, step):
        pdf_writer = PdfFileWriter()
        
        # 添加step页到writer
        for index in range(page, page + step):
            if index < pageCount:
                pdf_writer.addPage(pdf_reader.getPage(index))
        
        # 保存
        part_num = int(page / step) + 1
        child_name = f'{file_name}_{part_num}.pdf'
        save_path = os.path.join(save_dir, child_name)
        
        with open(save_path, "wb") as out:
            pdf_writer.write(out)
        
        print(f"已保存: {child_name} (第{page+1}-{min(page+step, pageCount)}页)")
    
    print(f"\n✅ 拆分完成！共生成 {int((pageCount-1)/step)+1} 个文件")
    print(f"保存路径: {save_dir}")


if __name__ == '__main__':
    拆分PDF(
        '拆分PDF', 
        r'D:\自动化\pdf\二期第1讲.pdf', 
        r'D:\自动化\pdf\拆分2', 
        step=4
    )

文档总结

一、核心内容回顾

1. python-docx 操作 Word

文档结构：

bash 复制代码

Document（文档）
  └── Paragraph（段落）
        └── Run（文字块）
  └── Table（表格）
        └── Row（行）
          └── Cell（单元格）

常用操作：

操作	代码
创建文档	`Document()`
打开文档	`Document('文件.docx')`
添加标题	`add_heading('标题', level=1)`
添加段落	`add_paragraph('内容')`
添加文字块	`paragraph.add_run('文字')`
添加图片	`add_picture('图片.png', width=Cm(5))`
添加表格	`add_table(rows=3, cols=3)`
添加分页	`add_page_break()`
保存文档	`save('文件.docx')`

2. PDF 操作

PyPDF2：

PdfFileReader() - 读取 PDF
PdfFileWriter() - 写入 PDF
addPage() - 添加页面
encrypt() - 加密
decrypt() - 解密

pdfplumber：

extract_text() - 提取文字
extract_table() - 提取单个表格
extract_tables() - 提取所有表格

二、实际应用场景

批量生成合同/报告：用模板生成大量格式统一的 Word 文档
数据汇总：从多个 Word 中提取数据汇总到 Excel
PDF 处理：拆分、合并、加密 PDF 文件
报表导出：将数据导出成带格式的 Word/PDF 报告
文档批量处理：批量替换文字、调整格式等

三、学习建议

多动手：把示例代码都跑一遍，改改参数看看效果
整理成函数：把常用操作封装成函数，以后直接调用
注意路径 ：Windows 路径用原始字符串 r'路径' 避免转义问题
异常处理：实际使用时加上 try-except，防止文件不存在等问题
结合使用：Word + Excel + PDF 结合使用，解决复杂办公需求