天天看點
傳回

利用python實作字音回填

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：

利用python實作字音回填

單字字音分析處理

之前遇到一個需求：

利用python實作字音回填

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

利用python實作字音回填

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：

利用python實作字音回填

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：

利用python實作字音回填

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：

利用python實作字音回填

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：

利用python實作字音回填

當然有部分詞彙存在兩個詞就需要換行都寫入：

利用python實作字音回填

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：

利用python實作字音回填
## 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：

利用python實作字音回填

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：

利用python實作字音回填
上一篇: 關于OOM的那些事兒
下一篇: Crosstab, Rotate, Pivot sybase ASA 交叉,行轉列