Jelizaveta

Jelizaveta

На Пикабу
217 рейтинг 14 подписчиков 0 подписок 65 постов 0 в горячем
7

Учебник по Python: Легко конвертируйте DOCX в TXT и TXT в DOCX⁠⁠

Конвертация между DOCX (документы Word) и TXT (простые текстовые файлы) — это обычная задача в обработке документов, извлечении данных и автоматизации рабочих процессов. В этом посте блога мы рассмотрим, как конвертировать DOCX в TXT и TXT в DOCX, используя библиотеку Free Spire.Doc для Python .

Зачем конвертировать между DOCX и TXT?

DOCX файлы богаты форматированием и поддерживают различные функции, такие как изображения, стили и гиперссылки. Однако они могут быть громоздкими, когда вам нужен только простой текст для быстрых правок или извлечения данных. С другой стороны, TXT файлы лёгкие и универсально совместимы, но не имеют форматирования.

Конвертация между этими форматами предоставляет гибкость в обработке документов, позволяя вам:

  • Извлекать чистый текст из отформатированных документов

  • Превращать простой текст в профессионально оформленные документы

  • Упрощать рабочие процессы обработки документов

Предварительные требования

Перед тем, как погрузиться в код, убедитесь, что у вас есть следующее:

  1. Установленный Python на вашем компьютере.

  2. Библиотека Free Spire.Doc для Python . Вы можете установить её с помощью pip:
    bash

    pip install spire.doc.free

  3. Текстовый редактор или IDE для написания кода на Python.

  4. Примерные файлы DOCX и TXT для тестирования.

Конвертация DOCX в TXT на Python

Следующий код читает документ Word (Sample.docx) и сохраняет его содержимое в качестве простого текстового файла (DocxToTxt.txt).

from spire.doc import *

from spire.doc.common import *

# Создать объект Document

document = Document()

# Загрузить файл docx

document.LoadFromFile("C:/Users/Administrator/Desktop/Sample.docx")

# Сохранить файл docx в формате txt

document.SaveToFile("DocxToTxt.txt", FileFormat.Txt)

document.Close()

В этом коде:

  • Создаётся объект Document для работы.

  • Метод LoadFromFile используется для загрузки файла DOCX из указанного пути.

  • Документ сохраняется в формате TXT с использованием метода SaveToFile.

Конвертация TXT в DOCX на Python

В зависимости от того, хотите ли вы применить форматирование программно, вы можете конвертировать текстовый файл (TXT) в файл DOCX, используя один из следующих двух методов:

Метод 1: Простое решение (без форматирования)

Этот базовый подход создаёт документ Word с содержимым TXT, но без специального форматирования.

from spire.doc import *

from spire.doc.common import *

# Создать объект Document

document = Document()

# Загрузить файл txt

document.LoadFromFile("C:/Users/Administrator/Desktop/Sample.txt")

# Сохранить файл txt как файл docx

document.SaveToFile("TxtToDocx.docx", FileFormat.Docx2016)

document.Close()

В этом коде:

  • Создаётся объект Document.

  • Файл TXT загружается с помощью метода LoadFromFile.

  • Документ затем сохраняется в формате DOCX.

Метод 2: Расширенное решение (с форматированием)

Для более профессиональных результатов вы можете применить форматирование во время конвертации:

from spire.doc import *

# Функция для форматирования textRange

defformat_textRange(textRange, font_name, font_size, color):

# Установить свойства шрифта

textRange.CharacterFormat.FontName = font_name

textRange.CharacterFormat.FontSize = font_size

textRange.CharacterFormat.TextColor = color

# Чтение файла TXT и разделение на абзацы

withopen("C:/Users/Administrator/Desktop/Sample.txt", "r") as file:

content = file.read()

# Разделение содержимого на абзацы с помощью пустых строк

paragraphs = content.split('\n\n')

# Создать новый объект Document

document = Document()

section = document.AddSection()

section.PageSetup.Margins.All = 40

# Обработка каждого абзаца и добавление его в документ

for idx, para inenumerate(paragraphs):

# Удалить пробелы и пропустить пустые абзацы

para = para.strip()

ifnot para:

continue

# Создать новый абзац в документе

new_paragraph = section.AddParagraph()

text_range = new_paragraph.AppendText(para)

# Применить разные форматы в зависимости от индекса абзаца

if idx % 2 == 0: # Пример: четные абзацы

format_textRange(text_range, font_name="Times New Roman", font_size=18, color=Color.get_Red())

else: # Нечётные абзацы

format_textRange(text_range, font_name="Times New Roman", font_size=13, color=Color.get_Blue())

# Добавить пустой абзац после каждого форматированного абзаца

section.AddParagraph()

# Сохранить документ как DOCX

document.SaveToFile("TxtToFormattedDocx.docx", FileFormat.Docx2016)

document.Dispose()

В этом коде:

  • Определена функция format_textRange для применения определённых свойств шрифта (название шрифта, размер и цвет) к объекту TextRange.

  • Файл TXT открывается, его содержимое читается и разделяется на абзацы на основе пустых строк.

  • Создаётся объект Document, и добавляется секция с указанными полями.

  • Каждый абзац обрабатывается, форматируется и добавляется в документ. Чётные абзацы оформляются красным цветом и большим размером, а нечётные — синим и меньшим размером.

  • Пустой абзац создаётся после каждого форматированного абзаца для улучшения читаемости.

  • Наконец, документ сохраняется как файл DOCX.

Заключение

В этом посте блога мы продемонстрировали, как конвертировать DOCX в TXT для извлечения содержимого обычного текста, что делает работу с текстовыми данными более удобной без отвлекающего форматирования.

Кроме того, мы показали, как конвертировать TXT в DOCX, предлагая как базовые, так и расширенные варианты форматирования для улучшения общего представления вашего текста.

Показать полностью 3
1

Изменение порядка страниц PDF на C#: произвольная последовательность и обратный порядок⁠⁠

После объединения отсканированных файлов может оказаться, что страницы расположены неправильно. В других случаях требуется перенести страницы из конца документа в начало. Изменить порядок страниц PDF можно с помощью индексов, без предварительного преобразования документа в изображения.

В этой статье с помощью Spire.PDF for .NET рассматриваются два варианта: расположение страниц в заданной последовательности и изменение порядка всех страниц на обратный. В обоих примерах используется метод PdfPageCollection.ReArrange(int[] orderArray). Различие заключается в способе формирования массива, задающего порядок страниц.

1. Установка Spire.PDF for .NET

Spire.PDF for .NET — библиотека для чтения, создания и обработки PDF-файлов в приложениях .NET. В статье используются её API для загрузки документов, перестановки страниц и сохранения файлов.

Выполните следующую команду в консоли диспетчера пакетов NuGet в Visual Studio:

Install-Package Spire.PDF

Другой вариант — использовать .NET CLI из каталога проекта:

dotnet add package Spire.PDF

В примерах ниже используются инструкции верхнего уровня C#. Каждый пример можно отдельно поместить в файл Program.cs консольного проекта, поддерживающего этот синтаксис, и запустить. Если для входного файла указан относительный путь, поместите файл в рабочий каталог приложения. Также можно указать абсолютный путь.

2. Индексы страниц и массив, задающий их порядок

Перед перестановкой страниц необходимо различать позиции страниц в программе просмотра PDF и индексы, используемые в коде: индексация начинается с 0, поэтому странице 1 соответствует индекс 0, странице 2 — индекс 1 и так далее.

Метод ReArrange() принимает массив целых чисел. Каждое значение представляет индекс страницы в исходном документе, а последовательность значений определяет новый порядок страниц.

Например, для PDF из четырёх страниц можно использовать следующий массив:

new int[] { 1, 0, 2, 3 }

Соответствие будет таким:

Этот массив меняет местами первые две страницы, сохраняя порядок остальных двух.

В статье рассматривается перестановка с сохранением всех страниц. Поэтому массив должен содержать каждый индекс страницы исходного документа ровно один раз. Допустимые значения — от 0 до pdf.Pages.Count - 1.

3. Расположение страниц PDF в заданной последовательности

Произвольный порядок удобен, когда нужная последовательность уже известна: например, требуется поменять местами первые две страницы или перенести обложку в начало документа.

В следующем примере используется PDF, содержащий ровно четыре страницы . Исходная вторая страница помещается перед первой. В результате получается последовательность: исходная страница 2, исходная страница 1, исходная страница 3 и исходная страница 4.

using Spire.Pdf;
// Создаём объект документа и загружаем PDF
PdfDocument pdf = new PdfDocument();
pdf.LoadFromFile("input.pdf");
// Переставляем страницы по исходным индексам:
// меняем местами первые две страницы
pdf.Pages.ReArrange(new int[] { 1, 0, 2, 3 });
// Сохраняем результат в новый файл и закрываем документ
pdf.SaveToFile("ChangeOrder.pdf");
pdf.Close();

Код выполняет три действия:

  1. Загружает исходный PDF с помощью LoadFromFile().

  2. Вызывает pdf.Pages.ReArrange(), чтобы переставить страницы согласно исходным индексам, указанным в массиве.

  3. Сохраняет результат с помощью SaveToFile(), затем закрывает документ вызовом Close().

Чтобы перенести последнюю страницу этого четырёхстраничного документа в начало, достаточно заменить массив на { 3, 0, 1, 2 }.

Массив в примере задан явно для документа из четырёх страниц. Для файлов с другим количеством страниц необходимо сформировать полный массив с учётом фактического числа страниц, а не использовать этот массив без изменений.

4. Изменение порядка всех страниц PDF на обратный

Чтобы последняя страница стала первой, предпоследняя — второй, а исходная первая страница оказалась в конце, можно автоматически сформировать массив индексов в обратном порядке на основе общего числа страниц.

По сравнению с ручным заполнением массива этот способ удобнее для документов с разным количеством страниц.

using Spire.Pdf;
using System.Linq;
// Создаём объект документа и загружаем PDF
PdfDocument pdf = new PdfDocument();
pdf.LoadFromFile("Input.pdf");
// Получаем общее количество страниц
int pageCount = pdf.Pages.Count;
// Формируем индексы страниц в обратном порядке
int[] reverseOrder = Enumerable.Range(0, pageCount)
.Reverse()
.ToArray();
// Переставляем страницы по индексам в обратном порядке
pdf.Pages.ReArrange(reverseOrder);
// Сохраняем результат в формате PDF и закрываем документ
pdf.SaveToFile("Reversed.pdf", FileFormat.PDF);
pdf.Close();

Массив индексов в обратном порядке формируется следующим образом:

  • Enumerable.Range(0, pageCount) создаёт pageCount последовательных целых чисел, начиная с 0, то есть все индексы страниц.

  • Reverse() меняет порядок элементов последовательности на обратный.

  • ToArray() преобразует результат в массив целых чисел, необходимый методу ReArrange().

Например, для документа из пяти страниц сначала формируется последовательность индексов { 0, 1, 2, 3 }. После её обращения получается { 3, 2, 1, 0 }. Таким образом, в выходном документе исходные страницы располагаются в порядке 4, 3, 2, 1.

5. Практические замечания

1. Порядок страниц и номера, напечатанные на страницах, — разные вещи

Перестановка изменяет положение страницы в документе. При этом номера страниц в верхних или нижних колонтитулах не переписываются в соответствии с новыми позициями. Например, если исходную страницу 5 перенести в начало, имеющуюся на ней надпись «Страница 5» потребуется обработать отдельно.

Если документ содержит оглавление, закладки или внутренние ссылки, после сохранения проверьте, что они ведут к ожидаемым разделам. Правильная последовательность страниц сама по себе не гарантирует соответствующего обновления всех элементов навигации.

2. Массив должен соответствовать фактическому количеству страниц

При перестановке с сохранением всех страниц перед вызовом метода проверьте длину массива, диапазон индексов и отсутствие повторяющихся значений. Числа в массиве обозначают исходные индексы страниц. Не следует напрямую подставлять номера страниц из программы просмотра PDF, где отсчёт начинается с 1.

3. Используйте разные пути для входного и выходного файлов

В примерах результаты сохраняются в новые файлы, чтобы упростить сравнение. При проверке сначала убедитесь, что количество страниц соответствует ожидаемому, затем просмотрите первую, последнюю и все перемещённые страницы.

4. Учитывайте различия между примером и рабочим приложением

Обработка исключений здесь опущена, чтобы сосредоточиться на основной логике перестановки страниц. В рабочем приложении также необходимо обрабатывать некорректные пути к входным файлам, ошибки чтения и отсутствие прав на запись в выходной каталог. Следует обеспечить закрытие документа и освобождение связанных ресурсов даже при возникновении исключения.

Кроме того, Spire.PDF for .NET и Free Spire.PDF for .NET — разные пакеты. При использовании пробной лицензии или бесплатной версии проверьте условия лицензирования и ограничения обработки для конкретной версии, чтобы не принять эти ограничения за ошибки в логике перестановки страниц.

6. Заключение

Основная задача при изменении порядка страниц PDF с помощью Spire.PDF for .NET — сформировать массив исходных индексов, соответствующий нужной последовательности. Если целевой порядок известен заранее, массив можно задать явно. Чтобы расположить все страницы документа в обратном порядке, сформируйте индексы на основе Pages.Count и обратите их последовательность с помощью LINQ.

В обоих случаях учитывайте, что индексация начинается с 0, а после сохранения проверяйте фактический порядок страниц и элементы навигации документа.

Показать полностью 2
1

PDF — это не только текст: добавление и извлечение вложенных файлов с помощью Python⁠⁠

Полный отчёт по проекту часто включает не только основной документ PDF, но и таблицы Excel с расчётами, исходные изображения или дополнительные пояснения. Если отправлять эти файлы отдельно, получателю придётся скачивать и упорядочивать их по одному, рискуя упустить какой-либо материал.

Вложения PDF предлагают другой способ организации: сопутствующие файлы можно встроить непосредственно в PDF и передать вместе с основным документом. Например, к финансовому отчёту можно приложить исходную книгу Excel, к руководству пользователя — файлы примеров, а к договору — дополнительные материалы.

В этой статье рассмотрим, как с помощью Spire.PDF for Python выполнить две операции: добавить вложения в PDF и извлечь их из документа.

Чем вложения PDF отличаются от содержимого страниц?

PDF с вложениями можно представить как документ со встроенной папкой для материалов: страницы отображают основной текст, а вложения хранят сопутствующие файлы.

При этом встраивание вложений отличается от вставки изображений и добавления гиперссылок:

Таким образом, добавление файла Excel в качестве вложения не преобразует его листы в страницы PDF . После извлечения получатель по-прежнему сможет открыть и отредактировать исходную книгу в Excel.

Поддержка вложений зависит от программы просмотра. Для работы с ними рекомендуется использовать настольные приложения с панелью вложений, например Adobe Acrobat. Некоторые встроенные средства просмотра PDF в браузерах могут не отображать доступ к вложенным файлам.

Подготовка среды

Spire.PDF for Python — библиотека для создания и обработки PDF. В этой статье мы используем её интерфейсы для работы с вложениями, чтобы напрямую обращаться к файлам внутри PDF, без ручного добавления или экспорта через программу просмотра.

Сначала установите библиотеку:

pip install Spire.PDF

Импортируйте необходимые модули:

from spire.pdf import *
from spire.pdf.common import *

Следующие примеры показывают добавление и извлечение вложений. Перед запуском замените пути к файлам на актуальные пути на вашем компьютере.

1. Добавление вложений в PDF

Предположим, у нас есть отчёт в формате PDF, вместе с которым нужно передать исходные данные Report.xlsx и изображение Logo.png. Если встроить их как вложения, получателю достаточно сохранить один PDF, чтобы иметь и основной документ, и оба сопутствующих файла.

Процесс состоит из четырёх шагов:

  1. Загрузить целевой PDF.

  2. Создать объекты вложений на основе внешних файлов.

  3. Добавить вложения в коллекцию документа.

  4. Сохранить новый PDF с вложениями.

Пример кода

from spire.pdf import *
from spire.pdf.common import *

# Создать объект PDF-документа
doc = PdfDocument()
# Загрузить целевой PDF
doc.LoadFromFile("Input.pdf")
# Создать объекты вложений на основе внешних файлов
attachment_one = PdfAttachment("Report.xlsx")
attachment_two = PdfAttachment("Logo.png")
# Добавить вложения в PDF
doc.Attachments.Add(attachment_one)
doc.Attachments.Add(attachment_two)
# Сохранить как новый PDF-файл
doc.SaveToFile("Attachments.pdf")
# Освободить ресурсы
doc.Close()

Пояснение к коду и проверка результата

PdfAttachment("Report.xlsx") создаёт объект вложения на основе указанного файла. Затем вызов doc.Attachments.Add() добавляет его в текущий PDF. Для добавления других файлов можно создать дополнительные объекты вложений и включить их в коллекцию.

Вложения не занимают место на страницах и не изменяют вёрстку основного документа. После сохранения страницы файла Attachments.pdf могут выглядеть точно так же, как в исходном документе. Однако в программе просмотра с поддержкой вложений встроенные файлы будут доступны на панели «Вложения» или «Прикреплённые файлы».

В примере используются разные имена входного и выходного файлов. Поэтому исходный Input.pdf сохраняется, а результат с добавленными вложениями записывается в Attachments.pdf.

Также следует учитывать размер документа: поскольку PDF содержит сами данные вложений, большие книги Excel или изображения высокого разрешения могут заметно увеличить его объём. При отправке по электронной почте или загрузке в информационную систему учитывайте ограничения на размер файлов.

2. Извлечение вложений из PDF

Если после получения PDF с вложениями нужно отредактировать книгу Excel, упорядочить изображения или передать материалы другой программе, вложения можно извлечь в отдельные файлы.

Для этого не требуется анализировать страницы PDF или применять OCR. Программа напрямую читает коллекцию вложений документа и записывает содержащиеся в ней данные на диск.

Порядок действий:

  1. Загрузить PDF с вложениями.

  2. Получить коллекцию вложений документа.

  3. Перебрать вложения, прочитав имена файлов и данные.

  4. Сохранить каждое вложение в указанную папку.

Пример кода

from spire.pdf import *
from spire.pdf.common import *

# Создать объект PDF-документа
doc = PdfDocument()
# Загрузить PDF-файл
doc.LoadFromFile("Attachments.pdf")
# Получить коллекцию вложений документа
collection = doc.Attachments
# Перебрать вложения
if collection.Count > 0:
for i in range(collection.Count):
# Получить конкретное вложение
attachment = collection.get_Item(i)
# Получить имя файла и данные вложения
fileName = attachment.FileName
data = attachment.Data
# Сохранить файл в указанную папку
data.Save("Output\\" + fileName)
doc.Close()

Пояснение к коду и проверка результата

doc.Attachments возвращает коллекцию вложений документа, а collection.Count — количество вложений в ней. Если вложений нет, пример пропускает операцию сохранения.

При переборе get_Item(i) получает вложение по индексу, FileName предоставляет имя файла, а Data.Save(path) записывает данные вложения по указанному пути.

После обработки PDF из предыдущего примера в выходной папке появятся Report.xlsx и Logo.png. Их можно открыть в соответствующих приложениях, больше не обращаясь к программе просмотра PDF.

На что обратить внимание при извлечении

Прежде всего — на выходную папку. Пример предполагает, что Output уже существует. В реальном проекте её можно автоматически создать перед извлечением с помощью Python-функции os.makedirs().

Ещё один момент — совпадающие имена файлов. В разных PDF могут находиться вложения с одинаковым именем, например Report.xlsx. При сохранении в общую папку они могут перезаписать друг друга. Для пакетного извлечения рекомендуется создавать отдельную подпапку для каждого PDF. Если одноимённые вложения находятся внутри одного документа, к именам можно добавлять индекс.

Также следует обрабатывать имена сохраняемых файлов. При работе с PDF из внешних источников можно использовать os.path.basename(), чтобы получить только имя файла вложения, а затем объединить его с целевой папкой. Это позволяет не использовать содержащуюся в имени вложения информацию о пути напрямую при сохранении.

Часто задаваемые вопросы

Вопрос 1. Почему после добавления вложений страницы PDF не изменились?

Вложения хранятся внутри документа и не относятся к содержимому, отображаемому непосредственно на страницах. Откройте панель вложений в программе просмотра, которая поддерживает эту функцию.

Вопрос 2. Нужно ли отправлять исходные файлы отдельно после добавления вложений?

Если вложения сохранены внутри PDF, получатель сможет извлечь их из документа. Тем не менее перед отправкой желательно открыть выходной файл и проверить, что все необходимые вложения добавлены.

Вопрос 3. Извлечение вложений и извлечение изображений из PDF — это одно и то же?

Нет. Извлечение вложений означает получение самостоятельных файлов, встроенных в PDF. Извлечение изображений со страниц — получение графических ресурсов, используемых на этих страницах. Изображение, видимое на странице PDF, не обязательно входит в коллекцию вложений.

Вопрос 4. Можно ли обрабатывать несколько PDF в пакетном режиме?

Да. Достаточно поместить логику обработки одного PDF в цикл перебора файлов. При пакетном извлечении рекомендуется создавать отдельные выходные папки по именам PDF, чтобы легче определять источник вложений и избегать конфликтов имён.

Итоги

Вложения PDF позволяют объединить основной документ и сопутствующие материалы: страницы сохраняют удобную для чтения вёрстку, а исходные книги Excel, изображения и дополнительные файлы хранятся вместе с ними.

С помощью Spire.PDF for Python можно добавлять вложения через PdfAttachment и doc.Attachments.Add(), а также перебирать doc.Attachments, сохраняя имеющиеся вложения в отдельные файлы. При практическом использовании основное внимание стоит уделить совместимости программ просмотра, размеру документа и обработке папок и имён файлов при извлечении.

Показать полностью 3
2

Импорт таблиц Word в Excel с помощью Python: извлечение и форматирование данных⁠⁠

Таблицы Word удобны для представления информации в отчётах, коммерческих предложениях и деловых документах. Однако, когда нужно отсортировать записи, подсчитать итоги или сравнить значения, с этими данными зачастую проще работать в Excel.

Для небольшого документа подойдёт ручное копирование таблиц. Если же документ содержит несколько таблиц, повторяющиеся операции можно поручить скрипту Python: прочитать каждую таблицу, извлечь текст из её ячеек и разместить результаты на отдельных листах.

В этом руководстве используются Spire.Doc for Python для чтения таблиц Word и Spire.XLS for Python для создания книги Excel. Такое сочетание позволяет извлекать текст из таблиц Word и записывать его в ячейки рабочих листов.

Сначала мы рассмотрим базовый импорт данных, а затем добавим оформление заголовков и чередование цветов строк, чтобы результат было удобнее читать.

1. Установите необходимые библиотеки Python

Установите оба пакета:

pip install spire.doc spire.xls

Каждая библиотека выполняет свою задачу:

Подготовьте документ Word, содержащий хотя бы одну таблицу. Пример ниже считывает файл table.docx с рабочего стола Windows и сохраняет книгу в папке output.

Укажите путь к входному файлу для вашей среды и создайте выходную папку перед запуском скрипта.

2. Импортируйте данные таблиц Word на листы Excel

Первый пример посвящён переносу данных из таблиц.

Каждая таблица Word размещается на отдельном листе с именем вида Table_1_1 или Table_1_2. Первое число обозначает раздел документа, а второе — номер таблицы в этом разделе.

from spire.doc import *
from spire.xls import *
# Создаём экземпляр Document
doc = Document()
# Загружаем документ Word
doc.LoadFromFile('input.docx')
# Создаём экземпляр Workbook
wb = Workbook()
wb.Worksheets.Clear()
# Перебираем разделы документа
for i in range(doc.Sections.Count):
# Получаем раздел
section = doc.Sections.get_Item(i)
# Перебираем таблицы в разделе
for j in range(section.Tables.Count):
# Получаем таблицу
table = section.Tables.get_Item(j)
# Создаём рабочий лист
ws = wb.Worksheets.Add(f'Table_{i+1}_{j+1}')
# Записываем таблицу на рабочий лист
for row in range(table.Rows.Count):
# Получаем строку
tableRow = table.Rows.get_Item(row)
# Перебираем ячейки строки
for cell in range(tableRow.Cells.Count):
# Получаем ячейку
tableCell = tableRow.Cells.get_Item(cell)
# Получаем текст ячейки
cellText = ''
for paragraph in range(tableCell.Paragraphs.Count):
paragraph = tableCell.Paragraphs.get_Item(paragraph)
cellText = cellText + (paragraph.Text + ' ')
# Сохраняем текст, начинающийся с "00"
if cellText.startswith('00'):
ws.Range[row + 1, cell + 1].Text = cellText
else:
ws.SetCellValue(row + 1, cell + 1, cellText)
# Автоматически подбираем ширину столбцов
ws.AllocatedRange.AutoFitColumns()
# Сохраняем книгу
wb.SaveToFile(
'output/WordTableToExcel.xlsx',
FileFormat.Version2016
)
doc.Close()
wb.Dispose()

Как работает импорт

Скрипт последовательно обходит структуру документа:

Разделы → Таблицы → Строки → Ячейки → Абзацы

Для каждой ячейки Word он считывает текст её абзацев и объединяет его через пробелы. Затем полученная строка записывается в соответствующую ячейку Excel.

К индексам строк и столбцов прибавляется 1, поскольку циклы начинаются с нуля, а используемая здесь нумерация ячеек рабочего листа — с единицы.

После импорта таблицы метод AutoFitColumns() подбирает ширину столбцов рабочего листа по содержимому.

Сохранение ведущих нулей в кодах

Некоторые значения в таблице выглядят как числа, но на самом деле являются идентификаторами. Например, 00123 может обозначать код товара, а не количество.

Чтобы сохранить начальные нули, скрипт записывает содержимое, начинающееся с 00, через свойство Text ячейки:

if cellText.startswith('00'):
ws.Range[row + 1, cell + 1].Text = cellText
else:
ws.SetCellValue(row + 1, cell + 1, cellText)

Это специальное правило для значений, начинающихся с двух нулей. Остальные значения по-прежнему записываются методом SetCellValue().

Результат

Откройте файл WordTableToExcel.xlsx. Каждая извлечённая таблица будет находиться на отдельном листе, а текст её ячеек — располагаться по строкам и столбцам.

Результат использует базовое оформление рабочего листа. Скрипт не копирует шрифты, заливку и границы из Word.

Данные таблиц Word импортированы на отдельные листы Excel. В кодах, начинающихся с «00», сохранены ведущие нули.

Данные таблиц Word импортированы на отдельные листы Excel. В кодах, начинающихся с «00», сохранены ведущие нули.

3. Отформатируйте импортированные таблицы в Excel

После переноса данных в Excel несколько изменений в оформлении помогут быстрее ориентироваться в таблице.

Например, цветной заголовок отделяет названия столбцов от записей, а чередование цветов строк помогает прослеживать строку через несколько столбцов. Spire.XLS предоставляет свойства ячеек и диапазонов для настройки шрифтов, заливки, выравнивания и размеров строк.

В следующем примере первая строка каждой импортированной таблицы считается строкой заголовков . Применяется следующее оформление:

  • Полужирный шрифт и светло-голубой фон заголовка.

  • Тонкая граница под заголовком.

  • Одинаковая ширина столбцов и высота строк.

  • Чередование белого и светло-бирюзового фона строк данных.

Добавьте в начало скрипта следующий импорт, чтобы в коде форматирования можно было использовать вспомогательные средства для работы с цветами:

from spire.xls.common import *

Затем замените строку:

ws.AllocatedRange.AutoFitColumns()

следующим блоком. Оставьте его внутри цикла обработки таблиц, после записи всех значений ячеек:

# Форматирование заголовка
header = ws.Range[1, 1, 1, ws.AllocatedRange.ColumnCount]
header.Style.Font.IsBold = True
header.Style.Color = Color.get_White()
header.Style.VerticalAlignment = VerticalAlignType.Center
header.Style.Borders[BordersLineType.EdgeBottom].LineStyle = LineStyleType.Thin
header.RowHeight = 28
header.ColumnWidth = 18
# Форматирование строк
for row in range(2, ws.AllocatedRange.RowCount + 1):
ws.Range[row, 1, row, ws.AllocatedRange.ColumnCount].Style.VerticalAlignment = VerticalAlignType.Center
ws.Range[row, 1, row, ws.AllocatedRange.ColumnCount].RowHeight = 20
# Задаём чередующиеся цвета строк
if row % 2 == 0:
ws.Range[row, 1, row, ws.AllocatedRange.ColumnCount].Style.Color = Color.get_White()
else:
ws.Range[row, 1, row, ws.AllocatedRange.ColumnCount].Style.Color = Color.get_LightCyan()

Что изменится на рабочем листе?

Высота строки заголовков составит 28, а строк данных — 20. Для всех импортированных столбцов задаётся ширина 18, что придаёт рабочему листу более единообразный вид.

Цикл обработки строк данных начинается со строки 2, поэтому оформление заголовка сохраняется. Чётные строки рабочего листа получают белый фон, а нечётные — светло-бирюзовый.

Эти цвета применяются непосредственно к ячейкам во время экспорта. Если впоследствии вставить или переставить строки в Excel, заданное скриптом чередование цветов не будет пересчитываться автоматически.

Это оформление создаётся заново в Excel. Оно не воспроизводит внешний вид исходной таблицы Word.

Импортированные данные после оформления заголовка, настройки одинаковых размеров и применения чередующихся цветов строк.

Импортированные данные после оформления заголовка, настройки одинаковых размеров и применения чередующихся цветов строк.

Для таблиц с длинными описаниями увеличьте ширину столбцов или сохраните автоматический подбор ширины. Фиксированная ширина обеспечивает единообразие, но не всегда позволяет удобно отобразить каждое значение.

4. Что сохраняется при переносе и каковы ограничения

Этот подход лучше всего подходит для обычных таблиц с текстовыми данными, которые нужно упорядочить в Excel.

Перед использованием с более сложными документами учитывайте следующие особенности:

Объединённые ячейки требуют особого внимания. Скрипт записывает ячейки в соответствии с их положением в коллекции ячеек каждой строки. Для таблицы Word со сложными объединёнными заголовками потребуется дополнительное сопоставление, чтобы значения попали в нужные столбцы Excel.

Кроме того, пример форматирования предполагает, что первая строка содержит названия столбцов. Если таблица начинается с названия или содержит несколько строк заголовков, соответствующим образом измените диапазон заголовка.

Скрипт предполагает, что в документе есть хотя бы одна таблица. Для более универсального сценария автоматизации добавьте проверку наличия таблиц перед сохранением книги.

Показать полностью 4
5

Добавление номеров страниц в нижний колонтитул PDF с помощью Python⁠⁠

При пакетной обработке PDF-документов часто требуется добавить единую нумерацию страниц в уже существующие файлы. С помощью Spire.PDF for Python можно выводить динамические номера страниц непосредственно на холст существующего PDF, без создания отдельного PDF-файла и последующего объединения.

В этой статье показано, как разместить номера страниц по центру нижнего колонтитула. Основное внимание уделяется настройке формата нумерации — например, Страница X или X / Y — и использованию координат для размещения номеров в любой области страницы: слева, по центру или справа в нижнем колонтитуле либо в любом месте верхнего колонтитула.

Единицы измерения: координаты PDF задаются в пунктах, где 1 пункт = 1/72 дюйма. Начало системы координат находится в левом верхнем углу страницы: X увеличивается вправо, а Y — вниз.

Подготовка окружения

Установите необходимую библиотеку:

pip install spire.pdf

Знакомство с двумя динамическими полями

Для нумерации страниц используются два динамических поля:

  • PdfPageNumberField : представляет номер текущей страницы и при отрисовке заменяется фактическим номером.

  • PdfPageCountField : представляет общее количество страниц и при отрисовке заменяется соответствующим значением.

Это динамические поля, а не строки с заранее заданными значениями. Благодаря этому при отрисовке нумерация учитывает количество страниц документа.

Настройка формата с помощью PdfCompositeField

PdfCompositeField объединяет статический текстовый шаблон и динамические поля в одну строку. Формат номера страницы определяется строкой шаблона , поэтому для изменения формата достаточно изменить эту строку.

Базовый синтаксис:

compositeField = PdfCompositeField(font, brush, "Текст шаблона", [field1, field2, ...])

Здесь {0} соответствует первому полю в списке, {1} — второму и так далее.

Полный код: нумерация по центру нижнего колонтитула в формате «Страница X из Y»

В следующем примере используется формат Страница {0} из {1}. Номера страниц размещаются по центру нижнего колонтитула, над ними добавляется разделительная линия:

from spire.pdf.common import *
from spire.pdf import *
# Создать объект PdfDocument
doc = PdfDocument()
# Загрузить локальный PDF-файл
doc.LoadFromFile("input.pdf")
# Задать шрифт, кисть и перо
font = PdfTrueTypeFont("Arial", 14.0, PdfFontStyle.Regular, True)
brush = PdfBrushes.get_Black()
pen = PdfPen(brush, 1.0)
# Задать отступы
leftMargin = 54.0
rightMargin = 54.0
bottomMargin = 72.0
# Создать поля для номера текущей страницы и общего количества страниц
pageNumberField = PdfPageNumberField()
pageCountField = PdfPageCountField()
# Объединить поля с помощью русскоязычного шаблона нумерации
compositeField = PdfCompositeField(
font, brush, "Страница {0} из {1}", [pageNumberField, pageCountField]
)
# Перебрать все страницы
for i in range(doc.Pages.Count):
page = doc.Pages.get_Item(i)
pageSize = page.Size
# Нарисовать разделительную линию в нижнем колонтитуле
page.Canvas.DrawLine(
pen,
leftMargin,
pageSize.Height - bottomMargin + 15.0,
pageSize.Width - rightMargin,
pageSize.Height - bottomMargin + 15.0
)
# Измерить текст номера страницы для расчёта положения по центру
text = "Страница {} из {}".format(i + 1, doc.Pages.Count)
pageNumberSize = font.MeasureString(text)
# Задать положение номера страницы: по центру по горизонтали
compositeField.Location = PointF(
(pageSize.Width - pageNumberSize.Width) / 2,
pageSize.Height - bottomMargin + 18.0
)
# Вывести номер страницы
compositeField.Draw(page.Canvas, 0.0, 0.0)
# Сохранить новый файл
doc.SaveToFile("Output/CenterAlignedPageNumbers.pdf")
# Освободить ресурсы
doc.Dispose()

Добавление номеров страниц в нижний колонтитул PDF с помощью Python

Настройка формата нумерации

Формат нумерации зависит от строки шаблона и переданных динамических полей. Ниже приведены несколько распространённых вариантов. Замените третий аргумент PdfCompositeField и при необходимости измените список полей.

Формат 1: только текущая страница — Страница X

Для этого формата требуется только поле номера страницы:

compositeField = PdfCompositeField(
font, brush, "Страница {0}", [pageNumberField])

Формат 2: компактная числовая запись — X / Y

compositeField = PdfCompositeField(
font, brush, "{0} / {1}", [pageNumberField, pageCountField])

Формат 3: текущая страница и общее количество страниц — Страница X / Всего страниц: Y

compositeField = PdfCompositeField(
font, brush, "Всего страниц: {1}", [pageNumberField, pageCountField])

Формат 4: только общее количество страниц — Всего страниц: Y

compositeField = PdfCompositeField(
font, brush, "Всего страниц: {1}", [pageNumberField, pageCountField])

Примечание: поле может присутствовать в списке, но не использоваться в шаблоне — в таком случае оно просто не отображается. Заполнители полей можно комбинировать в любом порядке, а окружающий текст и разделители, например «Страница», «из», «Всего страниц» или «/», — изменять в соответствии с требованиями к оформлению.

Настройка положения с помощью координат

Положение номера страницы задаётся через compositeField.Location = PointF(x, y):

  • По центру: x = (ширина страницы - ширина текста) / 2

  • Слева: x = leftMargin

  • Справа: x = pageSize.Width - pageNumberSize.Width - rightMargin

  • По вертикали: изменяйте Y, чтобы перемещать текст вверх или вниз. Чем меньше Y, тем ближе текст к верхнему краю страницы, что позволяет разместить его в верхнем колонтитуле.

Следующий пример сочетает пользовательский формат и положение: нумерация X / Y с выравниванием по правому краю нижнего колонтитула.

compositeField = PdfCompositeField(
font, brush, "{0} / {1}", [pageNumberField, pageCountField]
)
for i in range(doc.Pages.Count):
page = doc.Pages.get_Item(i)
pageSize = page.Size
text = "{} / {}".format(i + 1, doc.Pages.Count)
pageNumberSize = font.MeasureString(text)
# Выравнивание справа: X = ширина страницы - ширина текста - правый отступ
compositeField.Location = PointF(
pageSize.Width - pageNumberSize.Width - rightMargin,
pageSize.Height - bottomMargin + 18.0
)
compositeField.Draw(page.Canvas, 0.0, 0.0)

На что обратить внимание

  • В примере используется Arial. Если этот шрифт недоступен в вашем окружении, замените его другим установленным шрифтом. Для русского и другого многоязычного текста выбирайте шрифт, поддерживающий необходимые символы.

  • Если номера страниц перекрывают существующее содержимое, измените их координаты и разместите в свободной области. Переменные отступов в этих примерах управляют положением отрисовки: они не создают дополнительное свободное пространство и не изменяют расположение существующего содержимого.

Заключение

Этот подход позволяет независимо настраивать формат номера страницы и его положение. Изменяйте строку шаблона, чтобы переключаться между вариантами Страница X, X / Y и Страница X из Y, а затем корректируйте координаты Location, чтобы разместить текст в нужном месте нижнего или верхнего колонтитула. Такая гибкость удобна для применения единого формата нумерации при пакетной обработке PDF-документов.

Показать полностью 1
1

Пакетное форматирование документов Word с помощью python-docx: четыре подводных камня и более безопасный рабочий процесс⁠⁠

Форматирование целой папки документов Word кажется простой задачей: изменить несколько стилей, сохранить каждый файл — и готово. На практике документы разных авторов часто сочетают стили абзацев, вручную заданное форматирование и отдельные определения нумерации списков. Изменения одного лишь стиля может оказаться недостаточно: часть текста сохранит прежний вид.

В этом руководстве показано, как с помощью python-docx задать единые шрифт, размер и цвет для выбранных стилей абзацев в нескольких файлах .docx. Сначала мы рассмотрим четыре подводных камня, влияющих на результат, а затем объединим решения в одном скрипте пакетной обработки.

В примере используются следующие правила:

Пакетное форматирование документов Word с помощью python-docx: четыре подводных камня и более безопасный рабочий процесс

Контрастные цвета позволяют легко заметить изменения. Перед использованием скрипта в рабочем процессе замените их цветами, принятыми в ваших документах.

1. Подводный камень: изменение стиля не всегда меняет существующий текст

Естественный первый шаг — изменить стиль абзаца:

h2 = doc.styles['Heading 2']
h2.font.name = 'Arial'
h2.font.size = Pt(16)
h2.font.color.rgb = RGBColor.from_string('1E90FF')

Этот код изменяет определение стиля. Текст, наследующий эти свойства от данного стиля, сможет использовать новые настройки. Однако фрагмент текста (run), для которого явно задан шрифт или размер, может сохранить собственные настройки.

Например, абзац может иметь стиль Heading 2, а его текст — вручную заданный шрифт Times New Roman размером 11 пт. Изменение Heading 2 не удаляет автоматически такие переопределения на уровне фрагментов текста. На внешний вид также могут влиять символьные стили и другие наследуемые свойства.

Если после выделения текста в Word и нажатия на его стиль абзаца появляется новое форматирование, это полезный признак того, что существующее форматирование стоит изучить внимательнее. Однако это не доказывает, что документу требуется отдельное «обновление стиля» или что повторное назначение того же стиля в Python воспроизведёт поведение Word.

В данном рабочем процессе скрипт изменяет и определение стиля, и сам текст в соответствующих абзацах. Он явно задаёт шрифт, размер и цвет для каждого фрагмента текста, чтобы эти свойства не зависели исключительно от наследования.

Вспомогательная функция настройки шрифта также задаёт XML-атрибуты шрифтов для ASCII, других символов, охватываемых hAnsi, восточноазиатского текста и сложных систем письма, а также удаляет соответствующие ссылки на шрифты темы на том же уровне. Так нужная гарнитура задаётся явно; это не означает, что стили заголовков в принципе игнорируют font.name.

Указание имени шрифта не устанавливает его и не гарантирует наличия всех необходимых символов. При необходимости Word по-прежнему может подставить другой шрифт.

2. Подводный камень: очистка форматирования может изменить больше, чем нужно

Распространённый обходной путь — сбросить свойства шрифта у всех фрагментов текста в документе. Это может удалить значимые выделения и изменить текст за пределами нужной области обработки.

Вместо этого скрипт обрабатывает только абзацы, которым действительно назначен стиль Heading 2, Normal или List Paragraph. Он задаёт свойства, предусмотренные стандартом оформления, и не затрагивает остальные.

Для Heading 2 полужирное начертание явно включается, а курсив отключается. Для Normal и List Paragraph сохраняются существующие настройки полужирного начертания и курсива. Скрипт также сохраняет текст, гиперссылки, интервалы абзацев и другие свойства, которые он явно не изменяет. Текст гиперссылки внутри подходящего абзаца получает заданные шрифт, размер и цвет, при этом сама ссылка сохраняется.

Это различие важно и для заголовков, оформленных вручную. Абзац, который выглядит как заголовок, но использует Normal, обрабатывается как Normal. Скрипт не определяет структуру документа по размеру шрифта или полужирному начертанию. Таким заголовкам нужно заранее назначить правильный стиль либо обработать их на отдельном этапе классификации.

В python-docx к встроенным стилям следует обращаться по английским именам, даже если интерфейс Word отображает их локализованные названия. Для пользовательских стилей используются их фактические имена, сохранённые в документе. Если в ваших документах применяются пользовательские стили основного текста или заголовков, добавьте их в правила, не предполагая, что они соответствуют встроенным стилям.

3. Подводный камень: абзацы основного текста не включают текст таблиц

Перебор doc.paragraphs не охватывает абзацы внутри ячеек таблиц. Поэтому скрипт может изменить основной текст документа, оставив текст таблиц с исходным форматированием на уровне фрагментов.

Решение — обходить и абзацы, и таблицы. Для каждой таблицы нужно посетить её ячейки и рекурсивно обработать вложенные таблицы. Скрипт отслеживает уже посещённые элементы ячеек, поскольку объединённые ячейки могут встречаться несколько раз при обращении к таблице через строки и ячейки.

Каждый подходящий абзац внутри ячейки получает такое же форматирование фрагментов текста, как и подходящий абзац в основном тексте. Например, абзац Normal с явно заданным размером шрифта 8 пт будет изменён на 12 пт.

Обход охватывает основную часть документа и её таблицы. Он не обрабатывает верхние и нижние колонтитулы, текстовые поля, обычные и концевые сноски. Абзацы и фрагменты текста внутри отслеживаемых исправлений также не входят в поддерживаемую область этого рабочего процесса.

4. Подводный камень: у номеров списка есть собственные свойства шрифта

Нумерованный список содержит два отдельных объекта форматирования: текст абзаца и автоматически создаваемый номер, например 1., 2. или 3..

Изменение List Paragraph или его фрагментов текста не обязательно меняет номер. Определения нумерации могут задавать собственные свойства шрифта для каждого уровня списка.

Скрипт определяет идентификатор нумерации абзаца (numId) и его уровень (ilvl), включая значения, унаследованные по цепочке стилей абзаца. Затем он изменяет свойства фрагмента текста уровня нумерации через переопределение уровня конкретного списка в numbering.xml.

Если переопределение уровня отсутствует, скрипт копирует соответствующий абстрактный уровень в конкретный список, прежде чем изменить свойства шрифта. Это сохраняет формат номера, его шаблон, отступы и другие существующие настройки уровня. Имеющиеся переопределения начального значения нумерации также сохраняются.

В обычных нумерованных списках номер получает те же шрифт, размер и цвет, что и текст абзаца. Для символьных маркеров сохраняется исходная гарнитура: замена шрифта Symbol или Wingdings может изменить символ либо привести к появлению квадрата вместо отсутствующего символа. Размер и цвет маркера при этом обновляются.

Следует учитывать два ограничения:

  • Один уровень конкретной нумерации используется всеми абзацами с одинаковыми numId и ilvl. Поэтому изменение его форматирования может повлиять на другие абзацы, использующие этот уровень, в том числе на абзацы со стилями, не выбранными для обработки.

  • Скрипт отклоняет маркеры в виде изображений, косвенные ссылки на стили нумерации и конфликтующие правила форматирования для одного общего уровня. Вместо сохранения частично отформатированного результата он сообщает об ошибке обработки файла.

Эти ограничения позволяют сохранить пример достаточно простым. Документам с более сложной структурой нумерации потребуется дополнительная обработка.

Полный скрипт пакетного форматирования

Установите библиотеку:

pip install "python-docx>=1.2.0"

Сохраните следующий код в файле word_batch_formatting.py. Скрипт читает документы из E:\Documents\input и сохраняет их в E:\Documents\output, создавая папку вывода при необходимости. Каждый выходной файл сохраняет исходное имя. Словарь RULES содержит шрифт, размер и цвет для каждого целевого стиля.

from pathlib import Path
from copy import deepcopy
from docx import Document
from docx.oxml import OxmlElement
from docx.oxml.ns import qn
from docx.shared import Pt, RGBColor
from docx.text.run import Run
INPUT_FOLDER = Path(r'E:\Documents\input')
OUTPUT_FOLDER = Path(r'E:\Documents\output')
RULES = {
'Heading 2': ('Arial', 16, '1E90FF'),
'Normal': ('Calibri', 12, 'FF8C00'),
'List Paragraph': ('Calibri', 12, 'FF8C00'),
}
def set_font(obj, rule, heading=False, bullet=False):
name, size, color = rule
obj.font.size = Pt(size)
obj.font.color.rgb = RGBColor.from_string(color)
if heading:
obj.font.bold, obj.font.italic = True, False
if not bullet:
obj.font.name = name
fonts = obj._element.get_or_add_rPr().get_or_add_rFonts()
for slot in ('ascii', 'hAnsi', 'eastAsia', 'cs'):
fonts.set(qn('w:' + slot), name)
fonts.attrib.pop(qn('w:' + slot + 'Theme'), None)
clr = obj._element.get_or_add_rPr().find(qn('w:color'))
for key in ('themeColor', 'themeTint', 'themeShade'):
clr.attrib.pop(qn('w:' + key), None)
def paragraphs(container, seen=None):
seen = set() if seen is None else seen
for p in container.paragraphs:
yield p
for table in container.tables:
for row in table.rows:
for cell in row.cells:
if cell._tc not in seen:
seen.add(cell._tc)
yield from paragraphs(cell, seen)
def numbering(p):
num_id = level = None
sources, style, seen = [p._p.pPr], p.style, set()
while style is not None and style.style_id not in seen:
seen.add(style.style_id)
sources.append(style.element.pPr)
style = style.base_style
for prop in sources:
if prop is None or prop.numPr is None:
continue
np = prop.numPr
if num_id is None and np.numId is not None:
num_id = np.numId.val
if level is None and np.ilvl is not None:
level = np.ilvl.val
return num_id, level, seen
def format_number(root, p, rule, changed):
num_id, level, styles = numbering(p)
if num_id in (None, 0):
return
num = root.find(f"w:num[@w:numId='{num_id}']", root.nsmap)
abstract_id = num.find(qn('w:abstractNumId')).get(qn('w:val'))
abstract = root.find(f"w:abstractNum[@w:abstractNumId='{abstract_id}']", root.nsmap)
if abstract.find(qn('w:numStyleLink')) is not None:
raise ValueError('Косвенные стили нумерации не поддерживаются')
if level is None:
matches = [x for x in abstract.findall(qn('w:lvl'))
if x.find(qn('w:pStyle')) is not None
and x.find(qn('w:pStyle')).get(qn('w:val')) in styles]
level = int(matches[0].get(qn('w:ilvl'))) if matches else 0
key = (num_id, level)
if key in changed:
if changed[key] != rule:
raise ValueError('Для одного уровня нумерации заданы конфликтующие правила форматирования')
return
override = num.find(f"w:lvlOverride[@w:ilvl='{level}']", root.nsmap)
if override is None:
override = OxmlElement('w:lvlOverride')
override.set(qn('w:ilvl'), str(level))
num.append(override)
lvl = override.find(qn('w:lvl'))
if lvl is None:
lvl = deepcopy(abstract.find(f"w:lvl[@w:ilvl='{level}']", root.nsmap))
override.append(lvl)
fmt = lvl.find(qn('w:numFmt')).get(qn('w:val'))
if lvl.find(qn('w:lvlPicBulletId')) is not None:
raise ValueError('Маркеры в виде изображений не поддерживаются')
old = lvl.find(qn('w:rPr'))
run = Run(OxmlElement('w:r'), None)
if old is not None:
run._r.append(deepcopy(old))
set_font(run, rule, p.style.name == 'Heading 2', bullet=fmt == 'bullet')
if old is not None:
lvl.remove(old)
lvl.append(run._r.rPr)
changed[key] = rule
def format_document(src, dest):
doc = Document(src)
for name, rule in RULES.items():
if name in doc.styles:
set_font(doc.styles[name], rule, name == 'Heading 2')
changed = {}
for p in paragraphs(doc):
if p.style.name not in RULES:
continue
rule = RULES[p.style.name]
for item in p.iter_inner_content():
for run in ([item] if isinstance(item, Run) else item.runs):
set_font(run, rule, p.style.name == 'Heading 2')
format_number(doc.part.numbering_part.element, p, rule, changed)
doc.save(dest)
if __name__ == '__main__':
if not INPUT_FOLDER.is_dir():
raise SystemExit(f'Папка входных файлов не существует: {INPUT_FOLDER}')
OUTPUT_FOLDER.mkdir(parents=True, exist_ok=True)
for src in sorted(INPUT_FOLDER.glob('*.docx')):
if src.name.startswith('~$'):
continue
dest = OUTPUT_FOLDER / src.name
if dest.exists():
print(f'Пропущено: {dest.name}')
continue
try:
format_document(src, dest)
print(f'Сохранено: {dest.name}')
except Exception as error:
print(f'Ошибка: {src.name}: {error}')

Запустите скрипт командой:

python word_batch_formatting.py

Например, из E:\Documents\input\report.docx будет создан E:\Documents\output\report.docx. Исходный файл останется доступным для сравнения. Поскольку скрипт просматривает только папку входных файлов, созданные документы не обрабатываются повторно. Пути к этим двум папкам должны различаться.

Временные файлы блокировки Word и уже существующие выходные файлы пропускаются. Чтобы повторно создать документ после изменения правил, удалите его предыдущую копию из папки вывода. Ошибки сообщаются отдельно для каждого файла, после чего скрипт продолжает обработку остальных файлов.

Если папка входных файлов отсутствует, скрипт сообщает об этом до начала обработки. Если в ней нет подходящих файлов, выходные файлы не создаются. Целевые стили, отсутствующие в документе, также пропускаются, а не создаются заново. Перед запуском пакетной обработки проверьте папку и имена стилей.

Результат форматирования:

На сравнении ниже показан документ до и после форматирования. Текст Heading 2 использует Arial размером 16 пт и синий цвет, а основной текст, содержимое таблиц и текст нумерованных списков — Calibri размером 12 пт и оранжевый цвет. Номера списка оформлены так же, как его текст.

Пакетное форматирование документов Word с помощью python-docx: четыре подводных камня и более безопасный рабочий процесс

Проверьте результаты перед обработкой всей папки

Начните с нескольких документов, отражающих разнообразие файлов в вашей папке. Проверьте абзац Heading 2 с вручную переопределённым шрифтом, абзац основного текста с полужирным или курсивным выделением, ячейку таблицы и нумерованный список.

Ожидаемый результат — единые шрифт, размер и цвет для трёх целевых стилей и их текста; Heading 2 при этом становится полужирным, без курсива. Фрагменты текста в абзацах других стилей напрямую не изменяются, хотя стили, основанные на изменённом целевом стиле, могут унаследовать его изменения. Числовые маркеры списков используют заданный шрифт, а символьные маркеры сохраняют исходную гарнитуру.

Этот подход намеренно записывает свойства шрифта непосредственно в подходящие фрагменты текста. Так текущее форматирование задаётся явно, но последующие изменения стилей могут не проявиться из-за новых настроек на уровне фрагментов. Если дальнейшее оформление должно полностью управляться стилями, используйте отдельную стратегию очистки, которая удаляет только соответствующие переопределения и проверяет оставшееся наследование.

Скрипт использует низкоуровневый доступ к XML для работы со шрифтами и нумерацией, поэтому сохраняйте исходные файлы и проверяйте результат после обновления библиотеки. Он предлагает практический рабочий процесс для поддерживаемых структур документов, а не полноценный механизм форматирования для всех возможностей Word.

Источники

Показать полностью 2
2

Как добавить водяные знаки в Excel на C#: два практических подхода⁠⁠

При распространении отчетов, архивировании договоров и обмене конфиденциальными данными добавление водяного знака в документ Excel является простым и практичным способом определения авторских прав. Водяной знак может представлять собой изображение или текст. Водяные надписи «Конфиденциально», «Только для внутреннего пользования», «Запрещено распространять» широко используются в бизнес-процессах по всему миру.

В данной статье показано, как с помощью бесплатной библиотеки .NET для работы с Excel добавлять водяные знаки в документы Excel на языке C#. Сравниваются два метода реализации: водяной знак в виде изображения в колонтитуле и водяной знак на фоне листа. Также предоставлен вспомогательный код для генерации изображений текстовых водяных знаков — он подходит для использования даже при отсутствии готового файла водяного знака.

Установка

Библиотека подключается к проекту через NuGet.

  • Консоль диспетчера пакетов NuGet

Install-Package FreeSpire.XLS

  • Интерфейс командной строки .NET CLI

dotnet add package FreeSpire.XLS

После завершения установки импортируйте пространство имен Spire.Xls в код для работы с библиотекой.

Сравнение двух решений для водяных знаков

В Excel нет отдельного объекта «водяной знак». Имитация водяного знака реализуется либо через изображение в колонтитуле, либо через фоновое изображение листа. Поэтому два подхода существенно различаются по выводу на печать, отображению на экране, позиционированию и другим параметрам.

Водяной знак в колонтитуле

  • Преимущества : водяной знак сохраняется при печати документа, подходит для сценариев с обязательной печатью и архивированием файлов.

  • Недостатки : не виден в обычном режиме Excel, отображается только в режимах разметки страницы и просмотра разрывов; для точного центрирования изображения на странице требуется тщательная настройка верхних и левых полей.

Фоновый водяной знак листа

  • Преимущества : изображение покрывает весь лист, обеспечивается единообразный визуальный эффект.

  • Недостатки : водяной знак не выводится на печать.

Решение 1: Добавление водяного знака через колонтитул

В следующем примере выполняется обход всех листов документа и установка одного и того же изображения водяного знака по центру колонтитула.

using SkiaSharp;
using Spire.Xls;
namespace AddWatermarkToExcelUsingHeader
{
class Program
{
static void Main(string[] args)
{
// Создание объекта книги Excel
Workbook workbook = new Workbook();
// Загрузка документа Excel
workbook.LoadFromFile(@"C:\Users\Administrator\Desktop\Input.xlsx");
// Загрузка изображения водяного знака
SkiaSharp.SKImage image = SkiaSharp.SKImage.FromEncodedData(@"C:\Users\Administrator\Desktop\confidential.png");
// Обход всех листов документа
for (int i = 0; i < workbook.Worksheets.Count; i++)
{
// Получение нужного листа
Worksheet worksheet = workbook.Worksheets[i];
// Вставка маркера изображения по центру верхнего колонтитула
worksheet.PageSetup.CenterHeader = "&G";
// Присвоение изображения центральной части колонтитула
worksheet.PageSetup.CenterHeaderImage = SKBitmap.FromImage(image);
}
// Сохранение итогового файла
workbook.SaveToFile("AddWatermark.xlsx", ExcelVersion.Version2016);
// Освобождение ресурсов
workbook.Dispose();
}
}
}

Примечание: &G — собственный маркер изображения в колонтитулах Excel. Все надписи (например, слово «Конфиденциально») должны быть встроены непосредственно в изображение, а не записаны в строку CenterHeader.

Решение 2: Установка изображения как фон листа

Данный пример использует изображение как фоновый водяной знак листа, подходит для сценариев только экранного просмотра, где важна хорошая видимость отметки.

using SkiaSharp;
using Spire.Xls;
namespace AddWatermarkToExcelUsingBackground
{
class Program
{
static void Main(string[] args)
{
// Создание объекта книги Excel
Workbook workbook = new Workbook();
// Загрузка документа Excel
workbook.LoadFromFile(@"C:\Users\Administrator\Desktop\Input.xlsx");
// Загрузка изображения водяного знака как битмап
SkiaSharp.SKImage image = SkiaSharp.SKImage.FromEncodedData(@"C:\Users\Administrator\Desktop\confidential.png");
// Обход всех листов документа
for (int i = 0; i < workbook.Worksheets.Count; i++)
{
// Получение нужного листа
Worksheet worksheet = workbook.Worksheets[i];
// Установка изображения как фон листа
worksheet.PageSetup.BackgoundImage = SKBitmap.FromImage(image);
}
// Сохранение итогового файла
workbook.SaveToFile("AddWatermark.xlsx", ExcelVersion.Version2016);
// Освобождение ресурсов
workbook.Dispose();
}
}
}

Генерация текстовых водяных знаков (реализация через SkiaSharp)

В реальных бизнес-сценариях водяные знаки чаще всего представляют собой динамический текст, например «Конфиденциально», «Только для внутреннего пользования». Не требуется каждый раз обращаться к дизайнеру за готовыми файлами PNG. С помощью библиотеки SkiaSharp можно отрисовать изображение текстового водяного знака с прозрачным фоном прямо в оперативной памяти, после чего результат подходит для использования с двумя описанными выше способами добавления водяных знаков.

using SkiaSharp;
public static class WatermarkHelper
{
/// <summary>
/// Генерация битмапа текстового водяного знака на основе SkiaSharp (прозрачный фон, наклон -30°)
/// </summary>
/// <param name="text">Текст водяного знака, пример: «Конфиденциально»</param>
/// <param name="width">Ширина холста</param>
/// <param name="height">Высота холста</param>
/// <returns>Объект SKBitmap с поддержкой альфа-канала прозрачности</returns>
public static SKBitmap Create(string text, int width, int height)
{
// Создание холста битмапа с альфа-каналом прозрачности
SKBitmap bitmap = new SKBitmap(width, height, SKColorType.Rgba8888, SKAlphaType.Premul);

using (SKCanvas canvas = new SKCanvas(bitmap))
using (SKPaint textPaint = new SKPaint())
using (SKTypeface typeface = SKTypeface.FromFamilyName("Arial", SKFontStyle.Bold))
{
// Очистка холста, заливка полностью прозрачным фоном
canvas.Clear(SKColors.Transparent);
// Настройка параметров отрисовки текста
textPaint.Typeface = typeface;
textPaint.TextSize = 60;
textPaint.IsAntiAlias = true;
// Красный текст, степень прозрачности 60 (диапазон значений 0–255)
textPaint.Color = new SKColor(255, 0, 0, 60);
// Расчет границ текста для его центрированной отрисовки
SKRect textBounds = new SKRect();
textPaint.MeasureText(text, ref textBounds);
// Сдвиг начала координат в центр холста, поворот против часовой стрелки на 30 градусов
canvas.Translate(width / 2f, height / 2f);
canvas.RotateDegrees(-30);
// Отрисовка текста водяного знака строго по центру
float textX = -textBounds.MidX;
float textY = -textBounds.MidY;
canvas.DrawText(text, textX, textY, textPaint);
}
return bitmap;
}
}

При вызове достаточно присвоить готовый объект SKBitmap свойству фонового изображения листа:

// Вызов вспомогательного класса для генерации битмапа текстового водяного знака
SKBitmap watermarkBitmap = WatermarkHelper.Create("Конфиденциально", 800, 600);
// Установка битмапа как фоновый водяной знак листа
workbook.Worksheets[0].PageSetup.BackgroundImage = watermarkBitmap;

Рекомендации по унификации отображения шрифтов для SkiaSharp

SkiaSharp по умолчанию использует шрифты, установленные на сервере. В окружениях без предустановленных стандартных шрифтов (серверы Linux, контейнеры Docker) возможна автоматическая подмена шрифтов и искажение отображения надписей. Для стабильной работы в промышленной среде предлагаются три решения:

  1. Включить файлы шрифтов формата TTF/OTF как встроенные ресурсы непосредственно в приложение;

  2. Загружать локальные шрифты через метод SKTypeface.FromStream(), не полагаясь на системные шрифты сервера;

  3. Заранее отрисовать все варианты текста водяных знаков, используемых в бизнес-процессах, в виде статических файлов PNG и хранить их как ресурсы проекта — это полностью исключает ошибки отображения из-за отсутствия шрифтов на окружении.

Справочник по выбору решения

Итог

Бесплатная библиотека .NET для работы с Excel не содержит отдельного объекта «водяной знак». Функционал реализуется двумя способами: через изображение в колонтитуле или фоновое изображение листа. Достаточно передать любой объект Image/Bitmap в свойства CenterHeaderImage или BackgroundImage для добавления отметки. В сочетании с небольшим кодом отрисовки текста можно гибко генерировать водяные знаки с надписями «Конфиденциально», «Только для внутреннего пользования» без внешних графических файлов.

В реальных проектах рекомендуется вынести логику «генерации изображения + вставки водяного знака» в отдельные служебные методы, предоставляя внешнему коду минимальный набор параметров: путь к файлу, текст водяного знака, настройки видимости. Это снижает затраты на повторное использование кода при работе с множеством бизнес-направлений и шаблонов документов.

Показать полностью 4
2

Как изменить поля страниц PDF с помощью Python⁠⁠

При обработке документов часто возникает необходимость корректировать пустые края (поля) PDF-файлов: например, оставить свободное место для печати, обрезать лишние белые отступы или привести макет всех документов к единому формату. В экосистеме Python существует несколько библиотек для работы с PDF. В данной статье используется Free Spire.PDF for Python для реализации легковесных операций увеличения и уменьшения полей PDF полностью на чистом коде без водяных знаков.

Данное решение не требует установки сложных зависимостей. Основной алгоритм заключается в создании нового PDF-документа, пересчете размеров страниц и перерисовке страниц через шаблоны. Это позволяет точно регулировать пустые края со всех четырех сторон (верхней, нижней, левой и правой) документа, подходит для одностраничных и многостраничных PDF.

1. Настройка окружения

Сначала установите требуемую стороннюю библиотеку. Free Spire.PDF for Python ориентирована на базовые операции редактирования PDF, имеет лаконичный и понятный API, удобна для быстрой разработки. Выполните следующую команду pip для завершения установки:

pip install spire.pdf.free

2. Обзор принципа работы

Оба метода корректировки полей, описанные в статье, строятся на единой логике — разница лишь в расчете размеров и параметрах отрисовки:

  • Увеличение полей : Увеличить размер страницы PDF, оставить исходное содержимое по центру, а новую пустую область использовать как поля.

  • Уменьшение полей : Сократить размер страницы PDF и обрезать лишние белые края исходной страницы за счет смещения координат отрисовки контента.

Общий алгоритм работы: загрузка исходного PDF → расчет нового размера страницы → перебор страниц с генерацией шаблонов → создание новых страниц и перерисовка содержимого → сохранение нового файла и освобождение ресурсов.

3. Увеличение полей страниц PDF на Python

Данный сценарий актуален, когда контент PDF слишком близко подходит к краям, нужно добавить пустое место для печати или привести все поля документа к единым стандартам. Ниже представлен упрощенный код, готовый к запуску; вы можете самостоятельно задать величину добавляемых полей сверху, снизу, слева и справа.

from spire.pdf.common import SizeF
from spire.pdf import PdfDocument
# 1. Загрузка исходного PDF-документа
original_pdf = PdfDocument()
original_pdf.LoadFromFile("sample.pdf")
# 2. Задание собственных размеров добавляемых полей со всех четырех сторон
margin_top = 40
margin_bottom = 40
margin_left = 40
margin_right = 40
# 3. Расчет нового размера страницы по размеру первой страницы (подходит для всех страниц документа)
first_page = original_pdf.Pages[0]
new_page_width = first_page.Size.Width + margin_left + margin_right
new_page_height = first_page.Size.Height + margin_top + margin_bottom
new_page_size = SizeF(new_page_width, new_page_height)
# 4. Создание нового PDF-документа и перерисовка всех страниц
new_pdf = PdfDocument()
for page_idx in range(original_pdf.Pages.Count):
# Генерация шаблона исходной страницы с сохранением всего контента
page_template = original_pdf.Pages[page_idx].CreateTemplate()
# Добавление новой страницы заданного размера
new_page = new_pdf.Pages.Add(new_page_size)
# Отрисовка исходного контента в левом верхнем углу новой страницы, автоматически формируя равномерные пустые поля
page_template.Draw(new_page, 0.0, 0.0)
# 5. Сохранение файла и освобождение ресурсов
new_pdf.SaveToFile("increase_pdf_margins.pdf")
original_pdf.Dispose()
new_pdf.Dispose()
print("Увеличение полей PDF завершено!")

Основное пояснение : Размер страницы увеличивается путем прибавления значений полей к исходной ширине и высоте. Исходное содержимое полностью сохраняется в левом верхнем углу страницы, а оставшаяся область автоматически формирует равномерные пустые отступы.

Результат работы:

4. Уменьшение полей страниц PDF на Python

Этот сценарий чаще всего используется для удаления лишних стандартных белых краев PDF, сжатия видимого размера документа и приближения контента к границам страницы. Суть метода — сократить размер страницы и одновременно сдвинуть координаты отрисовки контента в противоположную сторону, чтобы обрезать лишние пустые края.

from spire.pdf.common import SizeF
from spire.pdf import PdfDocument, PdfMargins
# 1. Загрузка исходного PDF-документа
original_pdf = PdfDocument()
original_pdf.LoadFromFile("sample.pdf")
# 2. Задание размеров пустых полей, которые нужно обрезать со всех четырех сторон
reduce_top = 60.0
reduce_bottom = 60.0
reduce_left = 40.0
reduce_right = 40.0
# 3. Расчет нового размера страницы после обрезки полей
first_page = original_pdf.Pages[0]
new_page_width = first_page.Size.Width - reduce_left - reduce_right
new_page_height = first_page.Size.Height - reduce_top - reduce_bottom
new_page_size = SizeF(new_page_width, new_page_height)
# 4. Создание нового PDF-документа, перерисовка и обрезка пустых краев страниц
new_pdf = PdfDocument()
for page_idx in range(original_pdf.Pages.Count):
page_template = original_pdf.Pages[page_idx].CreateTemplate()
# Добавление новой страницы без стандартных полей
new_page = new_pdf.Pages.Add(new_page_size, PdfMargins(0.0))
# Смещение координат отрисовки в противоположную сторону для обрезки исходных белых краев
page_template.Draw(new_page, -reduce_left, -reduce_top)
# 5. Сохранение файла и освобождение ресурсов
new_pdf.SaveToFile("decrease_pdf_margins.pdf")
original_pdf.Dispose()
new_pdf.Dispose()
print("Обрезка полей PDF завершена!")

Основное пояснение : Из размеров страницы вычитается величина обрезаемых пустых отступов, при этом координаты отрисовки контента сдвигаются влево и вверх. Благодаря этому исходные пустые края страницы выходят за границы новой страницы, достигая эффекта обрезки белых полей.

Результат работы:

5. Важные замечания

  • Единицы измерения : Все значения полей в коде заданы в стандартных единицах PDF (пунктах). 1 дюйм ≈ 72 пункта; при необходимости значения можно свободно пересчитывать и корректировать.

  • Поддержка многостраничных документов : Код использует единые параметры полей для всего документа, поэтому все страницы получают одинаковое увеличение или уменьшение отступов — удобно для стандартизированной обработки документов.

  • Освобождение ресурсов : Обязательно вызывайте метод Dispose() для освобождения ресурсов документа, чтобы избежать постепенного переполнения оперативной памяти.

  • Ограничения параметров при уменьшении полей : Величина обрезки не должна превышать размер исходных пустых краев страницы, иначе часть контента может быть обрезана некорректно.

6. Итог

С помощью библиотеки Free Spire.PDF for Python можно минимальным и эффективным кодом реализовать ручную настройку полей PDF без использования программ Adobe и сложных алгоритмов парсинга PDF. Два набора кода из статьи покрывают два наиболее распространенных сценария: добавление пустых отступов и обрезка белых краев . Код лаконичный, снабжен полными комментариями и может быть напрямую интегрирован в скрипты автоматизированной обработки документов, офисные утилиты и программы пакетной обработки файлов.

Показать полностью 2
1

Преобразование Word в Markdown: 4 простых метода для новичков и разработчиков⁠⁠

Markdown стал популярным форматом для технической документации, блогов, баз знаний и контента с версионным контролем. Однако документы Word обычно создаются для визуального форматирования, тогда как Markdown опирается на структурированные текстовые элементы, такие как заголовки, списки, таблицы и ссылки.

Преобразование файлов Word в Markdown не всегда просто, особенно если документы содержат изображения, сложные макеты или насыщенное форматирование. Лучший метод преобразования зависит от ваших требований: нужна ли вам пакетная обработка, сохранение изображений, автоматизация или интеллектуальная обработка контента.

В этой статье мы рассмотрим 4 практических метода преобразования Word в Markdown , включая настольные приложения, онлайн-конвертеры, инструменты на основе ИИ и программирование на Python.

Метод 1: Преобразование Word в Markdown с помощью MarkItDown Desktop

Лучше всего для: пакетной обработки, документов с большим объёмом текста и преобразования структурированного текста

MarkItDown Desktop — это графическое приложение, построенное на официальной библиотеке Microsoft MarkItDown. Оно предоставляет простой интерфейс для преобразования документов Word в файлы Markdown без написания кода.

Оно особенно полезно, когда нужно обработать несколько документов и в основном важно сохранить текстовую структуру.

Шаг 1: Скачайте и установите MarkItDown Desktop

Перейдите на страницу релизов GitHub и скачайте последнюю версию MarkItDown Desktop.

После установки откройте приложение.

Шаг 2: Выберите документы Word

Импортируйте свои файлы Word в приложение.

Инструмент поддерживает распространённые форматы Word и может обрабатывать несколько документов пакетами.

Шаг 3: Преобразуйте файлы Word в Markdown

Запустите процесс преобразования и экспортируйте созданные файлы Markdown.

Преобразованный Markdown сохраняет многие важные структуры документа:

  • Иерархию заголовков

  • Абзацы

  • Нумерованные и маркированные списки

  • Таблицы

  • Гиперссылки

  • Полужирный и курсивный текст

Ограничение обработки изображений

Хотя MarkItDown Desktop обнаруживает изображения, он преобразует их в синтаксис изображений Markdown вроде:

![](data:image/png;base64,...)

Однако сгенерированные данные Base64 неполны, а значит, изображения не будут корректно отображаться в итоговом файле Markdown.

Поэтому MarkItDown Desktop не рекомендуется для документов, где важны изображения .

Лучшие сценарии использования

Выбирайте MarkItDown Desktop, когда вам нужно:

  • Пакетное преобразование множества файлов Word

  • Чистое извлечение текста

  • Файлы Markdown для документации или версионного контроля

  • Преобразование, где изображения не требуются

Метод 2: Преобразование Word в Markdown онлайн

Лучше всего для: быстрых преобразований, нечастого использования

Для пользователей, которым нужно преобразовать лишь несколько документов Word, онлайн-конвертер обычно является самым быстрым решением. Установка программного обеспечения или технические знания не требуются. Такие инструменты, как Word2MD, позволяют преобразовывать документы прямо в браузере с помощью простого рабочего процесса «загрузить и скачать».

Шаг 1: Откройте онлайн-конвертер

Откройте страницу преобразования Word в Markdown в браузере.

Шаг 2: Загрузите документ Word

Перетащите файл Word в область загрузки.

Шаг 3: Скачайте файл Markdown

После преобразования скачайте созданный документ Markdown.

Преобразованный файл сохраняет:

  • Заголовки

  • Абзацы

  • Списки

  • Таблицы

  • Гиперссылки

  • Форматирование текста

Преимущества

Онлайн-преобразование даёт несколько преимуществ:

  • Не требует установки

  • Работает в Windows, macOS, Linux, iOS и Android

  • Простой рабочий процесс с перетаскиванием

  • Подходит для разовых преобразований

Что учесть

Поскольку файлы загружаются на сервер, избегайте использования онлайн-конвертеров для особо конфиденциальных документов.

Лучшие сценарии использования

Выбирайте онлайн-конвертер, когда вам нужно:

  • Быстрое разовое преобразование

  • Преобразование с разных устройств

  • Простой рабочий процесс в браузере

Метод 3: Преобразование Word в Markdown с помощью ChatGPT

Лучше всего для: интеллектуального преобразования форматирования, улучшения контента и разговорных рабочих процессов обработки текста

ChatGPT предлагает альтернативный рабочий процесс преобразования документов, который отличается от жёстких конвертеров на основе правил. Вместо простого выполнения предустановленных правил форматирования ChatGPT понимает контекстное содержание документа и выполняет дополнительные пользовательские задачи через разговорные подсказки. На основе больших языковых моделей он точно разбирает форматирование Word и переводит каждый элемент в стандартный синтаксис Markdown, охватывая весь список ниже:

  • Уровни заголовков → # / ## / ###

  • Обычные абзацы основного текста

  • Полужирный, курсивный, зачёркнутый текст

  • Упорядоченные и неупорядоченные списки

  • Нативные таблицы Markdown

  • Гиперссылки

  • Блоки кода

  • Ссылки на изображения

  • Блочные цитаты

  • Горизонтальные линии

Шаг 1: Загрузите документ Word

Загрузите файл Word в окно чата ChatGPT.

Шаг 2: Опишите требования к преобразованию на естественном языке

Ручная настройка параметров преобразования не требуется — просто опишите требования к форматированию через разговорные подсказки.

Пример шаблона подсказки:

Преобразуйте этот загруженный отчет Word в стандартный Markdown, сохраните все исходное форматирование и добавьте краткое резюме к каждой главе.

ChatGPT интерпретирует структурную логику вашего документа и генерирует дополнительный персонализированный контент вместе с форматированным Markdown.

Шаг 3: Вычитайте и экспортируйте итоговый результат Markdown

Полный результат Markdown будет содержать:

  • Полностью преобразованную нативную структуру документа, соответствующую исходному макету Word

  • Необязательные резюме по разделам

  • Настроенную перестройку контента по запросу

  • Строгое соблюдение указанных вами правил форматирования Markdown

Гибкие два режима обработки изображений

ChatGPT поддерживает два разных режима обработки изображений для разных сценариев использования:

  1. Ссылки-заполнители Markdown (встроенный синтаксис-заполнитель)

![Description](image1.png)

2. Извлечение отдельных файлов изображений из исходного файла Word, при этом экспортированный файл Markdown ссылается на эти отдельные внешние файлы изображений

Этот двойной рабочий процесс с изображениями идеален для создания сайтов статической документации, открытых репозиториев и библиотек технических заметок.

Ключевые ограничения, которые стоит отметить

Качество преобразования на основе генеративного ИИ продолжает улучшаться.

Документы со сложной многоколоночной вёрсткой, нестандартными пользовательскими стилями или сильно стилизованными графическими элементами, вероятно, потребуют небольших ручных правок после преобразования.

Поскольку контент обрабатывается через облачные онлайн-сервисы, пользователям необходимо оценить соблюдение конфиденциальности данных перед загрузкой чувствительных файлов Word.

Идеальные сценарии применения

ChatGPT — оптимальный выбор для рабочих процессов, требующих:

  • Одновременного преобразования Word в Markdown и резюмирования контента

  • Логической реорганизации и перестройки исходного содержимого документа

  • Разговорного управления на естественном языке вместо жёстких интерфейсов инструментов

  • Более адаптивной, интеллектуальной обработки форматирования, чем у обычного ПО с фиксированными правилами преобразования

Метод 4: Преобразование Word в Markdown с помощью Python

Лучше всего для: разработчиков, автоматизированных рабочих процессов и настраиваемой обработки

Для разработчиков, которым нужен полный контроль над преобразованием Word в Markdown, программирование обеспечивает наибольшую гибкость.

Используя библиотеку обработки документов, такую как Spire.Doc for Python, вы можете интегрировать преобразование Word в скрипты, приложения или автоматизированные рабочие процессы.

Шаг 1: Установите Spire.Doc for Python

Установите библиотеку с помощью pip:

pip install Spire.Doc

Шаг 2: Сохраните Word как Markdown в Python

Следующий фрагмент кода загружает файл .docx и сохраняет его напрямую как файл .md:

from spire.doc import *
from spire.doc.common import *
document = Document()
document.LoadFromFile("input.docx")
document.SaveToFile(
"output.md",
FileFormat.Markdown
)
document.Close()

Сгенерированный Markdown сохраняет:

  • Заголовки

  • Абзацы

  • Списки

  • Таблицы

  • Ссылки

  • Форматирование текста

Извлечение изображений как отдельных файлов

По умолчанию изображения могут быть встроены как строки Base64.

Для сайтов документации или репозиториев Git часто удобнее сохранять изображения отдельно.

Следующий подход извлекает изображения и заменяет ссылки на изображения Base64 относительными путями:

import re
import base64
import os
from spire.doc import *
from spire.doc.common import *
def convert_word_to_markdown_with_images(input_path, output_path, image_dir="images"):
# 1. Convert using Spire first
document = Document()
document.LoadFromFile(input_path)
document.SaveToFile("temp.md", FileFormat.Markdown)
document.Close()
# 2. Create image directory
os.makedirs(image_dir, exist_ok=True)
# 3. Read and process the Markdown file
with open("temp.md", "r", encoding="utf-8") as f:
content = f.read()
# 4. Find and replace Base64 images
pattern = r'!\[([^\]]*)\]\(data:image/([^;]+);base64,([^)]+)\)'
def replace_base64(match):
alt_text = match.group(1)
img_type = match.group(2)
base64_data = match.group(3)
# Generate filename
img_count = replace_base64.counter
replace_base64.counter += 1
filename = f"{image_dir}/img_{img_count:04d}.{img_type}"
# Decode and save image
img_data = base64.b64decode(base64_data)
with open(filename, "wb") as f:
f.write(img_data)
# Return reference path
return f'![{alt_text}]({filename})'
replace_base64.counter = 1
new_content = re.sub(pattern, replace_base64, content)
# 5. Save the processed file
with open(output_path, "w", encoding="utf-8") as f:
f.write(new_content)
# Clean up temporary file
os.remove("temp.md")
# Usage
convert_word_to_markdown_with_images("input.docx", "output.md")

Лучшие сценарии использования

Преобразование на Python идеально подходит для:

  • Автоматизированных систем обработки документов

  • Сервисов пакетного преобразования

  • Веб-приложений

  • Конвейеров документации CI/CD

  • Пользовательских рабочих процессов генерации Markdown

Как выбрать подходящий метод преобразования Word в Markdown

Лучший метод преобразования зависит от вашего рабочего процесса:

  • Нужно простое пакетное преобразование?

→ MarkItDown Desktop

  • Нужно быстрое преобразование без изображений?

→ Онлайн-конвертер

  • Нужно понимание контента или резюмирование?

→ ChatGPT (или аналогичная LLM)

  • Нужна автоматизация и полный контроль?

→ Программирование на Python

Для базового преобразования документов онлайн-инструменты обычно являются самым простым выбором. Для разработчиков, создающих автоматизированные рабочие процессы, решение на Python обеспечивает наибольшую гибкость.

Заключение

Преобразование документов Word в Markdown можно выполнить несколькими способами: от простых настольных приложений до полностью автоматизированных программных решений.

MarkItDown Desktop — хороший выбор для пакетного преобразования с фокусом на текст, тогда как онлайн-конвертеры предлагают самый простой рабочий процесс для обычных пользователей. ChatGPT представляет более интеллектуальный подход, объединяя преобразование с обработкой контента, а библиотеки Python дают разработчикам полный контроль.

Выбор правильного метода зависит от того, что для вас важнее: простота, сохранение изображений, интеллектуальность или автоматизация.

Показать полностью 4
Отличная работа, все прочитано!

Темы

Политика

Теги

Популярные авторы

Сообщества

18+

Теги

Популярные авторы

Сообщества

Игры

Теги

Популярные авторы

Сообщества

Юмор

Теги

Популярные авторы

Сообщества

Отношения

Теги

Популярные авторы

Сообщества

Здоровье

Теги

Популярные авторы

Сообщества

Путешествия

Теги

Популярные авторы

Сообщества

Спорт

Теги

Популярные авторы

Сообщества

Хобби

Теги

Популярные авторы

Сообщества

Сервис

Теги

Популярные авторы

Сообщества

Природа

Теги

Популярные авторы

Сообщества

Бизнес

Теги

Популярные авторы

Сообщества

Транспорт

Теги

Популярные авторы

Сообщества

Общение

Теги

Популярные авторы

Сообщества

Юриспруденция

Теги

Популярные авторы

Сообщества

Наука

Теги

Популярные авторы

Сообщества

IT

Теги

Популярные авторы

Сообщества

Животные

Теги

Популярные авторы

Сообщества

Кино и сериалы

Теги

Популярные авторы

Сообщества

Экономика

Теги

Популярные авторы

Сообщества

Кулинария

Теги

Популярные авторы

Сообщества

История

Теги

Популярные авторы

Сообщества

Недвижимость и ремонт

Теги

Популярные авторы

Сообщества