Word文件的OpenXML解析（以Python3为例）
Word文件的OpenXML解析
自Office 2007以来，新推出的.docx文件可以无损转换成OpenXML格式，以便于第三方工具生成、修改Word文件。本文以Python为背景，简单解析OpenXML中的常用元素，主要用作个人备忘。
个人邮箱为[email protected]，欢迎来信交流。
本文目前仍在施工中，因疫情影响，完工日期未定QAQ
本文目录：
- 准备工作
- 初识OpenXML
- 获取Word XML
- 手动将Word文件另存为XML文件
- 使用python-docx获取OpenXML
- Word OpenXML常用结构
- 整体结构：body、styles、setting等
- 段落Paragraph结点：
- 基本格式单位Run结点：
- 格式Properties结点：
- 字体
- 字号
- 字体
- 看的见的文字Text：
- 修订版本号rsid
- 注音系统Ruby：
准备工作
Python解析OpenXML的两个常用库：python-docx与lxml，可通过pip安装，若对两个库不熟悉请参阅以下资料：
- 使用python-docx读取word文件
- lxml学习笔记（含增删改查）
lxml.etree.Element中的.addprevious()与.addnext()
本文举例所用的文本内容，为唐朝诗人张若虚的《春江花月夜》，全文如下：
《春江花月夜》
【唐·张若虚】
春江潮水连海平，海上明月共潮生。
滟滟随波千万里，何处春江无月明？
江流宛转绕芳甸，月照花林皆似霰。
空里流霜不觉飞，汀上白沙看不见。
江天一色无纤尘，皎皎空中孤月轮。
江畔何人初见月？江月何年初照人？
人生代代无穷已，江月年年只相似。
不知江月待何人，但见长江送流水。
白云一片去悠悠，青枫浦上不胜愁。
谁家今夜扁舟子？何处相思明月楼？
可怜楼上月徘徊，应照离人妆镜台。
玉户帘中卷不去，捣衣砧上拂还来。
此时相望不相闻，愿逐月华流照君。
鸿雁长飞光不度，鱼龙潜跃水成文。
昨夜闲潭梦落花，可怜春半不还家。
江水流春去欲尽，江潭落月复西斜。
斜月沉沉藏海雾，碣石潇湘无限路。
不知乘月几人归？落月摇情满江树。
-
将全文以纯文本方式粘贴到新建的word文档中，不修改任何格式，直接将文件保存为”春江花月夜.docx“。
-
（非必需） 之后，再将文件另存为”word xml(*.xml)“文件，命名为”春江花月夜.xml“，并使用喜欢的xml查看器打开（个人推荐安装了XML Tools插件的Notepad++）。
本文将以此为例。
初识OpenXML
准备工作完成后，先看一个OpenXML的简单例子（注意这不是一个完整的word文件）：
<w:body xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:wpc="http://schemas.microsoft.com/office/word/2010/wordprocessingCanvas" xmlns:cx="http://schemas.microsoft.com/office/drawing/2014/chartex">
<w:p w:rsidR="00691F43" w:rsidRDefault="00691F43" w:rsidP="00691F43">
<w:r>
<w:rPr>
<w:rFonts w:hint="eastAsia"/>
w:rPr>
<w:t>《春江花月夜》w:t>
w:r>
w:p>
<w:p w:rsidR="00691F43" w:rsidRDefault="00691F43" w:rsidP="00691F43">
<w:r>
<w:rPr>
<w:rFonts w:hint="eastAsia"/>
w:rPr>
<w:t>【唐·张若虚】w:t>
w:r>
w:p>
w:body>
这是body中的开头两个自然段。OpenXML采用了命名空间（namespaces），参考XML命名空间。在本例中，根标签是xmlns:XX就是用来说明命名空间的，本例中的命名空间有3个：w、wpc与cx，实际上一个word文件可能有十几个命名空间，但常用的就是w。
获取Word XML
手动将Word文件另存为XML文件
在word中依次选择：文件——另存为——保存类型选择“Word XML 文档(*.xml)“——保存。
使用python-docx获取OpenXML
一、仅读取，不修改：
from docx import Document
from lxml import etree
doc = Document('春江花月夜.docx')
body_xml_str = doc._body._element.xml # 获取body中的xml
body_xml = etree.fromstring(body_xml_str) # 转换成lxml结点
print(etree.tounicode(body_xml)) # 打印查看
for p in doc.paragraphs:
p_xml_str = p._p.xml # 按段落获取xml
p_xml = etree.fromstring(p_xml_str) # 转换成lxml结点
print(etree.tounicode(p_xml)) # 打印查看
注意：修改此方式获取的xml，不会影响原word文件。
二、如果想直接修改原word文件的xml，可以将docx.Document中，变量类型type是以CT_开头的（如doc._body._element、p._p、doc.styles._element等）直接当作lxml.etree.Element使用（虽然它们之间似乎没有继承关系） 。
print(type(doc._body._element)) # 例如：
from docx import Document
from lxml import etree
doc = Document('春江花月夜.docx')
body_xml = doc._body._element # 获取body中的xml
print(etree.tounicode(body_xml)) # 打印查看
for p in doc.paragraphs:
p_xml = p._p # 按段落获取xml
print(etree.tounicode(p_xml)) # 打印查看
Word OpenXML常用结构
本节的主要参考资料为OpenXML微软官方文档。
（打不开的朋友可复制地址到浏览器：https://docs.microsoft.com/en-us/dotnet/api/documentformat.openxml.wordprocessing，将地址中的en-us改成zh-cn可浏览机翻的简体中文版本）
整体结构：body、styles、setting等
段落Paragraph结点：
基本格式单位Run结点：
还没想好这里的run应该怎么翻译，您有好的建议的话欢迎留言或来信交流。
格式Properties结点：
pRr意为Paragraph Properties，通常用作表示段落的相关属性。
rPr意为Run Properties，通常用作表示字体的相关属性。
字体
rFonts意为RunFonts，用于表示不同语系下的字体，以及当前语种，点此查看官方文档。
用”语系“这个词可能不太恰当，但一时想不到别的词来描述了。您有好的建议的话欢迎留言或来信交流。
如果不显式指明字体，此段文字会使用上一级指明的字体。
目前rFonts支持四个语系，分别为：
{
'ascii':'ASCII Font. Represents the following attribute in the schema: w:ascii',
'eastAsia':'East Asian Font. Represents the following attribute in the schema: w:eastAsia',
'hAnsi':'High ANSI Font. Represents the following attribute in the schema: w:hAnsi',
'cs':'Complex Script Font. Represents the following attribute in the schema: w:cs',
}
rFonts使用w:hint说明此段文本具体使用哪种语系的字体。
例如，将一段汉字的中文字体与西文字体全部设置为宋体：
<w:r>
<w:rPr>
<w:rFonts w:ascii="宋体" w:eastAsia="宋体" w:hAnsi="宋体" w:cs="宋体" w:hint="eastAsia"/>
w:rPr>
<w:t>这一段文字字体为宋体。w:t>
w:r>
字号
sz表示Non-Complex Script Font Size，简单理解的话，就是单字节字符（如ASCII编码字符等）的大小。
szCs表示Complex Script Font Size，可以简单理解为双字节字符（如中日韩文字、阿拉伯文等）的大小。
如果不显式指明字号，此段文字会使用上一级指明的字号。
sz的官方资料中这句话The font sizes specified by this element’s val attribute are expressed as half-point values 说明，
例如，一个五号汉字，考虑如下中文字号与磅值的对应关系，其磅值为10.5，翻倍为21，所以应该有
<w:r>
<w:rPr>
<w:rFonts w:hint="eastAsia"/>
<w:sz w:val="21"/>
<w:szCs w:val="21"/>
w:rPr>
<w:t>这一段文字是五号字w:t>
w:r>
SZ_ZH_PT = { # 中文字号与磅值对应关系
"八号": 5,
"七号": 5.5,
"小六": 6.5,
"六号": 7.5,
"小五": 9,
"五号": 10.5,
"小四": 12,
"四号": 14,
"小三": 15,
"三号": 16,
"小二": 18,
"二号": 22,
"小一": 24,
"一号": 26,
"小初": 36,
"初号": 42,
}
看的见的文字Text：
正常来说，每个run中都应该有
python-docx中的paragraph.text和run.text函数，返回的就是
from docx import Document
doc = Document('春江花月夜.docx')
for paragraph in doc.paragraphs:
print('本段内容长度为%d' % len(paragraph.text))
for i, run in enumerate(paragraph.runs):
print('第{}个run的内容：{}'.format(i, run.text))
修订版本号rsid
Word会记录每一次对于文件的修改，并对修订版本进行随机编号。在OpenXML中，修订版本号通过rsid表示，具体的有w:rsidR、w:rsidRPr等。
具体的版本更迭信息，保存在
注音系统Ruby：
标注过拼音的字符，在word中表现为一块域（field）。在OpenXML中，可看作是在
一个典型的注音xml：
<w:ruby>
<w:rubyPr>
<w:rubyAlign w:val="center"/>
<w:lid w:val="zh-CN"/>
w:rubyPr>
<w:rt>
<w:r>
<w:rPr>w:rPr>
<w:t>zhōngw:t>
w:r>
w:rt>
<w:rubyBase>
<w:r>
<w:rPr>w:rPr>
<w:t>中w:t>
w:r>
w:rubyBase>
w:ruby>