Jelizaveta

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.

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()

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.

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.

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

• Работа со стилями — python-docx

• Свойства шрифта и наследование — python-docx

• Объекты для работы с текстом — python-docx

• Свойства шрифта символов нумерации — Microsoft Learn

• 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.

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.

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:


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)


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''
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.

Документы Word остаются глубоко встроенными в бизнес-процессы. Будь то генерация контрактов, извлечение данных из отчётов, конвертация файлов или объединение нескольких документов — многие из этих задач до сих пор выполняются вручную. Это не только отнимает время, но и подвержено ошибкам.

Python предлагает богатую экосистему библиотек, способных автоматизировать почти любой аспект обработки документов Word. В этой статье мы рассмотрим пять практических задач, которые каждый Python-разработчик должен уметь автоматизировать. По возможности мы будем ориентироваться на инструменты с открытым исходным кодом, а для сложного случая конвертации в PDF представим как бесплатное высокоточное решение, так и его коммерческую альтернативу.

На этой странице:

• Задача 1: Генерация документов Word из шаблонов

• Задача 2: Извлечение структурированных данных из файлов Word

• Задача 3: Сравнение двух документов Word на предмет изменений

• Задача 4: Конвертация документов Word в PDF

• Задача 5: Объединение нескольких документов Word в один

• Заключение

Задача 1: Генерация документов Word из шаблонов

Зачем это автоматизировать?

Многим приложениям необходимо создавать динамические документы, такие как:

• Счета и квитанции

• Трудовые договоры

• Сертификаты о прохождении обучения

• Ежемесячные отчёты для клиентов

Ручное редактирование каждой копии — это повторяющаяся и медленная работа. Используя шаблон и внедряя данные, вы можете создать сотни документов за секунды.

Рекомендуемый инструмент: python-docx-template

Эта библиотека построена на основе python-docx и интегрирует шаблонизатор Jinja2. Вы просто размещаете заполнители, такие как {{ customer_name }}, внутри шаблона .docx, а затем визуализируете его с вашими данными.

Преимущества:

• Открытый исходный код (лицензия MIT)

• Сохраняет всё форматирование шаблона

• Поддерживает циклы и условия (с использованием синтаксиса Jinja2)

Ограничение: Очень сложная логика или вложенные таблицы могут потребовать дополнительного внимания, но для 95 % случаев использования это работает безупречно.

Пример кода

Сначала установите библиотеку:

pip install python-docx-template

Создайте файл шаблона invoice_template.docx с заполнителями:

Invoice for {{ customer_name }}
Date: {{ date }}
Total amount: ${{ total }}

Затем сгенерируйте итоговый документ:

from docxtpl import DocxTemplate
doc = DocxTemplate("invoice_template.docx")
context = {
"customer_name": "Alice Johnson",
"date": "2026-06-03",
"total": "1299.99"
}
doc.render(context)
doc.save("invoice_alice.docx")

Лучшие сценарии использования

• Автоматизированные системы выставления счетов

• Генерация кадровых документов

• Создание сертификатов для онлайн-курсов

Задача 2: Извлечение структурированных данных из файлов Word

Зачем это автоматизировать?

Вы часто получаете документы Word, содержащие ценные данные в таблицах, формах или результатах опросов. Копирование и вставка этих данных в базу данных или CSV-файл утомительны и чреваты ошибками. Автоматизация извлечения позволяет направлять данные напрямую в ваш конвейер обработки данных.

Рекомендуемый инструмент: python-docx

python-docx — это де-факто стандарт для чтения и записи файлов .docx. Он предоставляет доступ к абзацам, таблицам, фрагментам текста и стилям. Хотя он не поддерживает файлы .doc (старый бинарный формат), они встречаются всё реже.

Ограничения, о которых следует знать:

• Он сначала читает все абзацы, затем все таблицы — вы не можете легко восстановить смешанную структуру (текст → таблица → текст).

• Для продвинутой работы со стилями часто приходится работать на уровне XML.

Пример кода

from docx import Document
doc = Document("survey_results.docx")
# Extract all table data
for idx, table in enumerate(doc.tables):
print(f"--- Table {idx+1} ---")
for row in table.rows:
row_data = [cell.text.strip() for cell in row.cells]
print(", ".join(row_data))

Если вам нужно экспортировать в CSV-файл:

import csv
with open("extracted_data.csv", "w", newline="", encoding="utf-8") as f:
writer = csv.writer(f)
for table in doc.tables:
for row in table.rows:
writer.writerow([cell.text.strip() for cell in row.cells])

Лучшие сценарии использования

• Миграция устаревших данных из форм Word в базу данных

• Агрегация финансовых данных из нескольких ежемесячных отчётов

• Анализ содержимого больших коллекций документов

Задача 3: Сравнение двух документов Word на предмет изменений

Зачем это автоматизировать?

Когда контракт, политика или спецификация пересматриваются, вам нужен быстрый способ увидеть, что изменилось. Ручное сравнение бок о бок ненадёжно, особенно для длинных документов. Автоматическое сравнение может мгновенно выделить добавления, удаления и изменения.

Рекомендуемый инструмент: difflib + python-docx

Поскольку чисто open-source решение для создания вывода Word с отслеживанием изменений очень сложно, мы будем использовать встроенный в Python difflib для сравнения необработанного текста двух документов. Это даёт быстрый, скриптуемый способ обнаружения различий.

Ограничения:

• Он не создаёт документ Word с пометками об изменениях (редлайн).

• Он сравнивает абзац за абзацем, а не символ за символом (но вы можете это адаптировать).

• Старые файлы .doc не поддерживаются.

Для редактирования юридического уровня (отслеживание изменений внутри файла Word) вам понадобится коммерческая библиотека, такая как Aspose.Words. Однако для большинства внутренних аудитов и обнаружения изменений текстового подхода вполне достаточно.

Пример кода

from docx import Document
import difflib
def get_paragraph_texts(docx_path):
doc = Document(docx_path)
return [p.text for p in doc.paragraphs if p.text.strip()]
original = get_paragraph_texts("contract_v1.docx")
revised = get_paragraph_texts("contract_v2.docx")
diff = difflib.unified_diff(
original, revised,
fromfile="Original",
tofile="Revised",
lineterm=""
)
for line in diff:
print(line)

Чтобы сделать вывод более читаемым, вы можете записать его в HTML-отчёт:

html_diff = difflib.HtmlDiff()
with open("diff_report.html", "w") as f:
f.write(html_diff.make_file(original, revised, "Original", "Revised"))

Лучшие сценарии использования

• Аудит изменений в юридических контрактах

• Отслеживание обновлений политик документов

• Сравнение студенческих работ с эталонным документом

Задача 4: Конвертация документов Word в PDF

Зачем это автоматизировать?

PDF — это универсальный формат для распространения, печати и архивирования. Ручная конвертация (открыть Word → Сохранить как PDF) становится узким местом, когда вам нужно конвертировать десятки или сотни файлов ежедневно. Автоматизация устраняет этот шаг и интегрирует конвертацию в ваш конвейер обработки.

Основная рекомендация: docx2pdf (бесплатно, наивысшая точность)

docx2pdf — это не парсер; это тонкая обёртка, которая использует сам Microsoft Word для выполнения конвертации — точно такую же операцию «Сохранить как PDF», которую вы бы сделали вручную. Поэтому макет, шрифты, таблицы, колонтитулы воспроизводятся идеально.

Требования:

• Microsoft Word должен быть установлен на машине (Windows или macOS).

• Скрипт выполняется в той же операционной системе, где доступен Word.

Ограничения:

• Не работает на серверах Linux (нет Word).

• Серверные среды без графического интерфейса (например, Docker без GUI) не могут надёжно это выполнять.

Если вы соответствуете требованиям, это лучшее бесплатное решение из доступных.

Пример кода

pip install docx2pdf

from docx2pdf import convert
# Convert a single file
convert("report.docx", "report.pdf")
# Convert all .docx files in a folder
convert("input_folder/", "output_folder/")

Резервное решение: Spire.Doc for Python (когда Word недоступен)

Если вы работаете на сервере Linux или в среде, где Microsoft Office не может быть установлен, вы можете использовать коммерческую библиотеку, такую как Spire.Doc. Она не зависит от Word и работает полностью автономно.

Примечание: Бесплатная версия имеет ограничения — она обрабатывает только первые 500 абзацев и 25 таблиц, а сконвертированные PDF могут содержать водяной знак. Для производственного использования требуется лицензия.

pip install Spire.Doc

from spire.doc import Document, FileFormat
doc = Document()
doc.LoadFromFile("report.docx")
doc.SaveToFile("report.pdf", FileFormat.PDF)
doc.Close()

Альтернатива (полностью open-source, кроссплатформенная): Вы можете вызвать LibreOffice из командной строки с помощью subprocess:

import subprocess
subprocess.run(["libreoffice", "--headless", "--convert-to", "pdf", "report.docx"])

Это работает на Linux, Windows и macOS, но требует отдельной установки LibreOffice.

Задача 5: Объединение нескольких документов Word в один

Зачем это автоматизировать?

Типичные сценарии включают:

• Объединение ежемесячных финансовых отчётов в квартальную сводку

• Слияние отдельных разделов контракта в мастер-соглашение

• Формирование пакета документации из нескольких глав

Выполнение этого вручную (копирование-вставка) часто разрушает форматирование и крайне медленно при большом количестве файлов.

Рекомендуемый инструмент: docxcompose

docxcompose берёт один документ в качестве «мастера» и добавляет к нему другие, сохраняя базовое форматирование. Он лёгкий и простой в использовании.

Ограничения (важно):

• Колонтитулы и разрывы разделов часто теряются , потому что библиотека объединяет, добавляя страницы в один и тот же раздел.

• Текстовые поля, сложные вложенные таблицы и некоторые пользовательские стили могут не пережить слияние.

• Проект не поддерживается активно с 2018 года.

Для простых документов (обычный текст, базовые таблицы, немного стилей) он работает на удивление хорошо. Для сложных отчётов с разными колонтитулами для каждой главы вам понадобится более надёжное (вероятно, коммерческое) решение, или вы можете вручную копировать элементы с помощью python-docx — это больше работы, но полностью контролируемо.

Пример кода

pip install docxcompose

from docxcompose.composer import Composer
from docx import Document
master = Document("chapter1.docx")
composer = Composer(master)
composer.append(Document("chapter2.docx"))
composer.append(Document("chapter3.docx"))
composer.save("full_report.docx")

Если docxcompose не работает для ваших документов, более надёжный (но более длинный) подход — перебрать все элементы каждого документа и добавить их в новый мастер с использованием чистого python-docx. Вот упрощённый фрагмент:

from docx import Document
master = Document()
for file in ["part1.docx", "part2.docx"]:
doc = Document(file)
for element in doc.element.body:
master.element.body.append(element)
master.save("merged.docx")

Предупреждаем, что эта низкоуровневая манипуляция XML может нарушить стили, если не делать её осторожно.

Лучшие сценарии использования

• Объединение простых текстовых отчётов

• Слияние приложений в основной документ

• Формирование наборов документации из Markdown, конвертированного в Word

Заключение

В таблице ниже приведены рекомендуемые инструменты и их компромиссы.

Автоматизируя эти пять задач, вы можете сэкономить часы повторяющейся ручной работы. Начните с решений с открытым исходным кодом — они покроют большинство повседневных потребностей. Для критически важного форматирования корпоративного уровня (редактирование юридического качества, идеальная конвертация PDF на Linux, безупречное слияние) оцените коммерческие библиотеки, такие как Spire.Doc и Aspose.Words. Но для большинства Python-разработчиков код, показанный выше, уже изменит то, как вы работаете с документами Word.

Вы когда-нибудь сталкивались с такой раздражающей ситуацией: наконец находите важный PDF-отчёт или научную статью, но обнаруживаете, что файл «защищён» — курсор превращается в значок запрета, меню по правой кнопке мыши недоступно, и вы не можете скопировать даже несколько слов.

Ощущение «так близко, но недоступно» действительно может раздражать. Хорошая новость заключается в том, что защита PDF не всегда так надёжна, как кажется. В этой статье мы рассмотрим пять практических способов — от быстрых решений до более продвинутых методов — а также разберём несколько технических нюансов, о которых вы могли не знать.

На этой странице:

• Способ 1: Google Docs — интеллектуальное извлечение через преобразование

• Способ 2: онлайн-конвертер PDF24 — просто, но не забывайте о конфиденциальности

• Способ 3: «Печать в PDF» через браузер — создание новой чистой копии

• Способ 4: скриншот + OCR — работает даже с полностью заблокированными PDF

• Способ 5: автоматизация с Python — пакетная обработка и интеграция в рабочие процессы

• Сравнение способов

• Заключение

Способ 1: Google Docs — интеллектуальное извлечение через преобразование

Этот способ может показаться обходным решением, но его принцип довольно интересен: когда Google Docs открывает PDF, сервис пытается заново восстановить структуру документа — и в процессе часто игнорирует исходные ограничения на копирование.

Шаги:

1. Откройте Google Drive и войдите в аккаунт

2. Загрузите защищённый PDF-файл

3. Щёлкните файл правой кнопкой мыши и выберите Открыть с помощью → Google Docs

4. Дождитесь завершения преобразования, затем скопируйте нужный текст

Почему это работает:
Большинство ограничений PDF представляют собой всего лишь флаги разрешений, а не настоящее шифрование. Когда Google Docs преобразует файл, он создаёт совершенно новую структуру документа, поэтому исходные ограничения обычно не переносятся.

Ограничение:
Этот способ работает хуже, если PDF представляет собой отсканированное изображение, а не документ с настоящим текстовым слоем.

Способ 2: онлайн-конвертер PDF24 — просто, но не забывайте о конфиденциальности

Онлайн-инструменты, такие как PDF24, позволяют быстро извлечь текст без установки дополнительного программного обеспечения.

Шаги:

1. Откройте инструмент PDF24 PDF to TXT

2. Загрузите защищённый PDF-файл

3. Запустите преобразование и дождитесь завершения обработки

4. Скачайте TXT-файл и свободно копируйте текст

Преимущества:

• Не требуется установка

• Нет водяных знаков или жёстких ограничений

• Подходит даже начинающим пользователям

Важный момент — конфиденциальность:
Ваши файлы обрабатываются на сторонних серверах. Если документ содержит договоры, внутренние отчёты или конфиденциальные персональные данные, стоит дважды подумать перед загрузкой.

Совет:
Сначала протестируйте сервис на файле без конфиденциальной информации и ознакомьтесь с политикой конфиденциальности сайта, прежде чем использовать его для важных документов.

Способ 3: «Печать в PDF» через браузер — создание новой чистой копии

Если PDF разрешает печать, даже когда копирование заблокировано, можно фактически «сбросить» ограничения, распечатав документ в новый PDF-файл.

Шаги:

1. Откройте защищённый PDF в браузере, например Chrome или Edge

2. Нажмите Ctrl + P

3. Выберите Save as PDF в качестве принтера

4. Сохраните новый файл

5. Откройте новый PDF и попробуйте скопировать текст

Почему это работает:
При печати создаётся новый PDF-файл, который обычно не наследует исходные ограничения доступа.

Когда этот способ работает лучше всего:

• PDF запрещает копирование, но разрешает печать

• Документ содержит настоящий текстовый слой, а не только отсканированные изображения

Ограничение:
Если печать также запрещена, этот способ не сработает.

Способ 4: скриншот + OCR — работает даже с полностью заблокированными PDF

Современные операционные системы и приложения всё чаще включают встроенную поддержку OCR — оптического распознавания символов. Благодаря этому извлекать текст со скриншотов стало гораздо проще.

Как это сделать:

1. Сделайте скриншот нужной части PDF

2. Используйте инструмент с поддержкой OCR, например Windows Snipping Tool, Live Text в macOS или мобильное приложение

3. Выделите распознанный текст и скопируйте его

Почему этот способ полезен:

• Работает даже со сканированными PDF

• Не зависит от ограничений на копирование

• Не требует загрузки файлов в интернет

Недостатки:

• Точность зависит от качества изображения

• Форматирование, включая таблицы и макет страницы, может быть потеряно

Лучшие сценарии использования:

• Отсканированные документы

• Небольшие фрагменты текста

• Ситуации, когда остальные методы не помогают

Способ 5: автоматизация с Python — пакетная обработка и интеграция в рабочие процессы

Для масштабных задач, связанных с десятками или сотнями PDF-файлов, автоматизация намного эффективнее ручного извлечения текста.

Используя Python и библиотеки для работы с PDF, можно систематически извлекать текст и интегрировать этот процесс в существующие конвейеры обработки данных.

Установка:

pip install spire.pdf.free

Пример:

from spire.pdf import *
doc = PdfDocument()
doc.LoadFromFile("Secured.pdf")
for i in range(doc.Pages.Count):
page = doc.Pages[i]
extractor = PdfTextExtractor(page)
options = PdfTextExtractOptions()
options.IsExtractAllText = True
text = extractor.ExtractText(options)
with open(f"output/page-{i+1}.txt", "w", encoding="utf-8") as f:
f.write(text)
doc.Close()

Преимущества этого подхода:

• Автоматизирует обработку большого количества файлов

• Может быть встроен в рабочие процессы, например конвейеры обработки данных и ETL-системы

• Позволяет извлекать даже «некопируемый» текст с помощью IsExtractAllText = True

Главное преимущество:
Речь идёт уже не просто о копировании текста, а о создании повторяемой системы обработки документов.

Примечание:
Бесплатная версия Spire.PDF for Python поддерживает обработку документов объёмом до 10 страниц. Для более крупных файлов может потребоваться разделить документ на части или использовать другие решения.

Сравнение способов

Заключение

Каждый способ подходит для своего сценария:

• Быстро и бесплатно: Google Docs

• Быстро и удобно: онлайн-инструменты, если вас устраивают компромиссы в отношении конфиденциальности

• Простой обходной вариант: печать в новый PDF

• Универсальный резервный способ: OCR по скриншотам

• Масштабируемое решение: автоматизация с Python

И ещё один важный момент: технологии могут решить вопрос о том, можете ли вы скопировать текст, но они не отвечают на вопрос, следует ли это делать. При работе с защищёнными документами всегда соблюдайте авторские права и условия использования.