使用 python-docx 获取 MS Word 段落的开始(和结束)页面

我正在自动创建MS Word文档。完成后，我需要能够将其另存为 PDF，并将一些其他/外部 PDF 页面插入到 Word 文档的 PDF 版本中。为此，我计划在自己的页面上的Word文档中留下标记(例如"[pdfGoesHere]"(。

要插入/替换新的PDF页面，我需要知道标记在哪些页面上。 python-docx有办法确定段落开始(和结束(的页码吗？我已经通读了python-docx文档，似乎没有任何内容。我知道我可以循环浏览所有段落并找到我感兴趣的段落，但我找不到确定性方法来获取段落的页码。

有没有办法做到这一点我忽略了？如果没有，对于如何实现插入PDF页面的主要目标，还有其他建议吗？

简短的回答是否定的。页码在呈现时确定，并且由于可用字体等原因而依赖于设备。

这个答案有更多的细节：页码 python-docx<</p>

div class="one_answers">

我感谢@scanny给出的反馈。由于在 python-docx 中没有办法执行此操作，并且无论如何我都会将文档转换为 PDF，因此我决定在将 Word 文档转换为 PDF 后使用pdfminer来获取页码。这段代码可能很长，但它可以完成工作

import re
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO
def xmlToLines(xml):
    text = ''.join(xml)
    return text.split('n')
#Convert a PDF found at the 'path' and turns it into XML lines
#path is the full path directory to the PDF file you're reading from 
def convert_pdf_to_xml(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = XMLConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = file(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()
    print 'Converting following file from PDF to XML: n - ' + str(path)
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)
    text = retstr.getvalue()
    lines = xmlToLines(text)
    #Close out pdf and I/O's
    fp.close()
    device.close()
    retstr.close()
    return lines
#returns a list of every page number where the field marker is found in the PDF
def getPagesWithField(wordPdfPath, field):
    lines = convert_pdf_to_xml(wordPdfPath)
    page_regex = r'page id="[0-9]*"'
    t_regex = r'<text font='
    pagesFound = []
    text = ''
    field = field.replace('<','&').replace('>','&')
    for i in range(len(lines)):
        #If it's a new page line, increment to the new page
        if len(re.findall(page_regex, lines[i])) > 0:
            page = int(re.findall(r'[0-9]{1,}', lines[i])[0])
            #print 'page: ' + str(page)
        #If it's the end of a line
        elif lines[i] == '<text>':
            #print "Text: " + text
            #check if the collected text is the field you're looking for 
            if field in text:
                pagesFound.append(page)
            text = ''
        #If it's a line with a text character, add it to text
        elif len(re.findall(t_regex, lines[i])) > 0:
            text = str(text + re.findall(r'>[^rn]*</text>',lines[i])[0][1])
    pagesFound = list(set(pagesFound))
    pagesFound.sort()       
    return pagesFound

在此之后，PyPDF2可用于简单的PDF页面插入/合并

相关内容

最新更新

热门标签：