Python-docx-Absatz in Textfeld

Question

Gibt es eine Möglichkeit, auf Text in einem vorhandenen docx-Dokument in einem Textfeld mit python-docx zuzugreifen und es zu bearbeiten?

Ich habe versucht, ein Schlüsselwort in allen Absätzen in einem Dokument von Iteration zu finden:

doc = Document('test.docx') 

for paragraph in doc.paragraphs: 
    if '<DATE>' in paragraph.text: 
     print('found date: ', paragraph.text) 

Es wird gefunden, wenn in normalen Text platziert, aber nicht in einer Textbox.

Answer 1

Nicht über die API, noch nicht mindestens. Sie müssten die XML-Struktur, in der sie sich befinden, aufdecken und auf die Ebene lxml und vielleicht XPath gehen, um sie zu finden. So etwas wie dies könnte ein Anfang sein:

body = doc._body 
# assuming differentiating container element is w:textBox 
text_box_p_elements = body.xpath('.//w:textBox//w:p') 

Ich habe keine Ahnung, ob textBox ist der eigentliche Element Name hier, würden Sie, dass aus mit dem Rest der XPath-Pfad Details sortieren müssen, aber dieser Ansatz wird wahrscheinlich Arbeit. Ich verwende häufig ähnliche Ansätze, um Features zu umgehen, die noch nicht in die API integriert sind.

opc-diag ist ein nützliches Werkzeug zur Überprüfung der XML. Der grundlegende Ansatz besteht darin, eine minimal kleine .docx-Datei zu erstellen, die den Typ der Sache enthält, die Sie suchen möchten. Dann opc-Diag verwenden, um die XML-Wort erzeugt zu inspizieren, wenn Sie die Datei speichern:

$ opc browse test.docx document.xml 

http://opc-diag.readthedocs.org/en/latest/index.html

Answer 2

Eine Abhilfe für Textfelder, die nur formatierten Text enthalten ist eine schwebende, formatierte Tabelle zu verwenden. Es kann fast wie eine Textbox (Rahmen, Farben, etc.) gestaltet werden und ist leicht zugänglich durch die docx API.

doc = Document('test.docx') 

for table in doc.tables: 
    for row in table.rows: 
     for cell in row.cells: 
      for paragraph in cell.paragraphs: 
       if '<DATE>' in paragraph.text: 
        print('found date: ', paragraph.text)