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

# -*- 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-packages\docx\oxml\__init__.py

# 需要新增的代码
def remove_hyperlink_tags(xml):
    import re
    text = xml.decode('utf-8')
    text = text.replace("</w:hyperlink>","")
    text = re.sub('<w:hyperlink[^>]*>', "", 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()