作者:小小明
大家好,我是小小明,今天我要給大家分享的是兩個word文檔處理的案例,核心是讀取excel的資料,按照指定的規則寫入到word中。
之前們已經分享過一些pandas讀寫excel的例子,這次我們需要在此基礎上還需讀寫word文檔。
python-docx簡介
利用python讀寫word文檔的庫是python-docx,安裝:
pip install python-docx
複制
python-docx 官方文檔:https://python-docx.readthedocs.io/en/latest/
基本的對象關系:
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLiAjM2EzLcd3LcJzLcJzdllmVldWYtl2Pn5GcuYzNmRWZyQjNlhDMyUzM4EWM2QTY4UjZmBTOwEzMlZWYvwVMxkjM4QzNtUGall3LcVmdhNXLwRHdo9CXt92YucWbpRWdvx2Yx5yazF2Lc9CX6MHc0RHaiojIsJye.png)
單字字音分析處理
之前遇到一個需求:
分析需求呢,會發現它要求在word文檔中添加一行在excel對應的聲韻調,若音1聲超過1個字元還需将最後一個字元上标,音1韻不上标,音1調需整體上标。
為了解決這個問題,首先我們需要處理出我們需要的資料,每個單字對應的字音(音韻聲)。
自然第一步是讀取excel檔案,最終産生以調查條目為鍵,聲韻調作為值的字典,而音1聲超過1個字元需将最後一個字元上标,是以音1聲應該把不需上标和需要上标的分開存儲,最終形成一個四元組。
看看代碼吧:
資料讀取
import pandas as pd
df = pd.read_excel("老男單字.xls", usecols=[0, 1, 3, 4, 5], dtype={'編号': 'str'})
df.head()
複制
編号 | 調查條目 | 音1聲 | 音1韻 | 音1調 |
---|---|---|---|---|
0001 | 多 | t | o | 44 |
0002 | 拖 | th | o | 44 |
0003 | 大 | t | a | 13 |
0004 | 鑼 | l | o | 21 |
0005 | 左 | ts | o | 35 |
單字對應的字音字典生成
symbols = {}
for row in df.values:
k = row[1]
a = row[2].strip()
if len(a) > 1:
v = (a[:-1], a[-1], row[3].strip(), str(row[4]))
else:
v = (a, "", row[3].strip(), str(row[4]))
symbols[k] = v
複制
利用pandas檢視生成結果:
pd.DataFrame.from_dict(symbols, 'index').head(10)
複制
測試資料比對
好,接下來,我們嘗試讀取word文檔的第一個表格,并比對擷取每個字音需要添加的音韻調:
from docx import Document
doc = Document(r"01老男單字字音對照表(興義).docx")
header_cells = doc.tables[0].rows[0].cells[1:]
for cell in header_cells:
k = cell.text[5]
print(cell.text, symbols[k])
複制
列印結果:
0001多 ('t', '', 'o', '44')
0002拖 ('t', 'h', 'o', '44')
0003大~小 ('t', '', 'a', '13')
0004鑼 ('l', '', 'o', '21')
0005左 ('t', 's', 'o', '35')
0006歌 ('k', '', 'o', '44')
0007個 ('k', '', 'o', '13')
0008可 ('k', 'h', 'o', '13')
複制
說明資料比對暫時沒有問題。
測試添加資料
然後嘗試向第一個表格添加資料,并儲存看看效果:
from docx.enum.text import WD_ALIGN_PARAGRAPH
doc = Document(r"01老男單字字音對照表(興義).docx")
header_cells = doc.tables[0].rows[0].cells[1:]
row_cells = doc.tables[0].add_row().cells[1:]
for header_cell, row_cell in zip(header_cells, row_cells):
k = header_cell.text[4]
a, b, c, d = symbols[k]
(p,) = row_cell.paragraphs
p.alignment = WD_ALIGN_PARAGRAPH.CENTER
p.style.font.name = 'IPAPANNEW'
p.add_run(a)
p.add_run(b).font.superscript = True
p.add_run(c)
p.add_run(d).font.superscript = True
doc.save("tmp.docx")
複制
結果:
可以看到已經順利添加進去,并沒有什麼問題。
最終測試
現在改下代碼,添加所有單元格:
doc = Document(r"01老男單字字音對照表(興義).docx")
for t in doc.tables:
header_cells = t.rows[0].cells[1:]
row_cells = t.add_row().cells[1:]
for header_cell, row_cell in zip(header_cells, row_cells):
k = header_cell.text[4]
a, b, c, d = symbols[k]
(p,) = row_cell.paragraphs
p.alignment = WD_ALIGN_PARAGRAPH.CENTER
p.style.font.name = 'IPAPANNEW'
p.add_run(a)
p.add_run(b).font.superscript = True
p.add_run(c)
p.add_run(d).font.superscript = True
doc.save("result.docx")
複制
結果:
可以看到,都順利添加了對應的字音,但有點不太滿意,有部分整行都是空白單元格,應該删除更佳。
增加删除空行的代碼:
doc = Document(r"01老男單字字音對照表(興義).docx")
for t in doc.tables:
## 從第四行開始檢查并去除表格的空白行
for row in t.rows[3:]:
if np.all([cell.text == "" for cell in row.cells]):
t._tbl.remove(row._tr)
## 取出第一行從第二個開始所有單元格
header_cells = t.rows[0].cells[1:]
## 取出新增一行從第二個開始所有單元格
row_cells = t.add_row().cells[1:]
for header_cell, row_cell in zip(header_cells, row_cells):
k = header_cell.text[4]
a, b, c, d = symbols[k]
(p,) = row_cell.paragraphs
p.alignment = WD_ALIGN_PARAGRAPH.CENTER
p.style.font.name = 'IPAPANNEW'
p.add_run(a)
p.add_run(b).font.superscript = True
p.add_run(c)
p.add_run(d).font.superscript = True
doc.save("result.docx")
複制
再次執行,office打開的結果:
可以看到空行已經都順利的被删除。
完整處理代碼
整個過程已經完整測試通過,最終完整處理代碼為:
from docx.enum.text import WD_ALIGN_PARAGRAPH
from docx import Document
import pandas as pd
import numpy as np
df = pd.read_excel("老男單字.xls", usecols=[1, 3, 4, 5])
symbols = {}
for row in df.values:
k = row[0]
a = row[1].strip()
if len(a) > 1:
v = (a[:-1], a[-1], row[2].strip(), str(row[3]))
else:
v = (a, "", row[2].strip(), str(row[3]))
symbols[k] = v
doc = Document(r"01老男單字字音對照表(興義).docx")
for t in doc.tables:
## 從第四行開始檢查并去除表格的空白行
for row in t.rows[3:]:
if np.all([cell.text == "" for cell in row.cells]):
t._tbl.remove(row._tr)
## 取出第一行從第二個開始所有單元格
header_cells = t.rows[0].cells[1:]
## 取出新增一行從第二個開始所有單元格
row_cells = t.add_row().cells[1:]
for header_cell, row_cell in zip(header_cells, row_cells):
k = header_cell.text[4]
a, b, c, d = symbols[k]
(p,) = row_cell.paragraphs
p.alignment = WD_ALIGN_PARAGRAPH.CENTER
p.style.font.name = 'IPAPANNEW'
p.add_run(a)
p.add_run(b).font.superscript = True
p.add_run(c)
p.add_run(d).font.superscript = True
doc.save("result.docx")
複制
詞彙音分析處理
需求2:
當然有部分詞彙存在兩個詞就需要換行都寫入:
上标規則是所有的數字和h都上标,其他不用上标。
那同樣的思路,先讀取excel并解析出需要的資料:
資料讀取并解析
import pandas as pd
df = pd.read_excel("詞彙(凱裡).xls", index_col=0)
df.tail()
複制
結果:
## 詞音按照不是h而且不是數字,以及是h,和是數字 三種規則切分
df['詞1音'] = df['詞1音'].str.findall("[^h\d]+|h|\d+")
df['詞2音'] = df['詞2音'].str.findall("[^h\d]+|h|\d+")
df = df[["詞1字", "詞1音", "詞2字", "詞2音"]]
df.tail()
複制
結果:
最終想得到的處理結果:
symbols = df.to_dict('index')
複制
word文檔編号轉換測試
運作以下代碼:
from docx import Document
doc = Document(r"02詞彙對照表(興義).docx")
i = 0
for t in doc.tables:
## 取出第一行從第二個開始所有單元格
header_cells = t.rows[0].cells[1:]
for header_cell in header_cells:
k = int(header_cell.text[:4].replace('ʰ', '9'))
複制
未發現任何報錯,說明對應編号擷取成功,于是就可以通過将鍵k傳入symbols擷取需要寫入的資料。
最終word生成代碼
from docx import Document
doc = Document(r"02詞彙對照表(興義).docx")
for t in doc.tables:
## 取出第一行從第二個開始所有單元格
header_cells = t.rows[0].cells[1:]
## 取出新增一行從第二個開始所有單元格
row_cells = t.add_row().cells[1:]
for header_cell, row_cell in zip(header_cells, row_cells):
k = int(header_cell.text[:4].replace('ʰ', '9'))
symbol_dict = symbols[k]
if not pd.isna(symbol_dict['詞2字']):
row_cell.add_paragraph()
for i, p in enumerate(row_cell.paragraphs, 1):
p.style.font.name = 'IPAPANNEW'
p.add_run(symbol_dict[f'詞{i}字']).font.name = "宋體"
for n, e in enumerate(symbol_dict[f'詞{i}音']):
run = p.add_run(e)
if n % 2 == 1:
run.font.superscript = True
doc.save("result.docx")
複制
完整處理代碼
from docx import Document
import pandas as pd
df = pd.read_excel("詞彙(凱裡).xls", index_col=0)
## 詞音按照不是h而且不是數字,以及是h,和是數字 三種規則切分
df['詞1音'] = df['詞1音'].str.findall("[^h\d]+|h|\d+")
df['詞2音'] = df['詞2音'].str.findall("[^h\d]+|h|\d+")
df = df[["詞1字", "詞1音", "詞2字", "詞2音"]]
symbols = df.to_dict('index')
doc = Document(r"02詞彙對照表(興義).docx")
for t in doc.tables:
## 取出第一行從第二個開始所有單元格
header_cells = t.rows[0].cells[1:]
## 取出新增一行從第二個開始所有單元格
row_cells = t.add_row().cells[1:]
for header_cell, row_cell in zip(header_cells, row_cells):
k = int(header_cell.text[:4].replace('ʰ', '9'))
symbol_dict = symbols[k]
if not pd.isna(symbol_dict['詞2字']):
row_cell.add_paragraph()
for i, p in enumerate(row_cell.paragraphs, 1):
p.style.font.name = 'IPAPANNEW'
p.add_run(symbol_dict[f'詞{i}字']).font.name = "宋體"
for n, e in enumerate(symbol_dict[f'詞{i}音']):
run = p.add_run(e)
if n % 2 == 1:
run.font.superscript = True
doc.save("result.docx")
複制
最終結果: