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

Question

我正在自动创建 MS Word 文档。完成后，我需要能够将其另存为 PDF 并将一些 other/external PDF 页面插入到 Word 文档的 PDF 版本中。为此，我计划在各自页面的 Word 文档中留下标记（例如“[pdfGoesHere]”）。

对于 insert/replace 新的 PDF 页面，我需要知道标记在哪些页面上。 python-docx 是否有办法确定段落开始（和结束）的页码？我已经通读了 python-docx documentation 并且似乎没有任何内容。我知道我可以循环浏览所有段落并找到我感兴趣的段落，但我找不到确定的方法来获取该段落的页码。

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

Answer 1

简短的回答是否定的。页码是在渲染时确定的，并且由于可用字体等因素而依赖于设备。

这个答案有更多的细节：

Answer 2

感谢@scanny 提供的反馈。由于在 python-docx 中没有办法做到这一点，而且我正在将文档转换为 PDF，所以我决定在将 Word 文档转换为之后使用 pdfminer 来获取页码一个PDF。这段代码可能很长，但它完成了工作

import re
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO

def xmlToLines(xml):
    text = ''.join(xml)
    return text.split('\n')

#Convert a PDF found at the 'path' and turns it into XML lines
#path is the full path directory to the PDF file you're reading from 
def convert_pdf_to_xml(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = XMLConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = file(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()

    print 'Converting following file from PDF to XML: \n - ' + str(path)
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue()
    lines = xmlToLines(text)

    #Close out pdf and I/O's
    fp.close()
    device.close()
    retstr.close()

    return lines

#returns a list of every page number where the field marker is found in the PDF
def getPagesWithField(wordPdfPath, field):
    lines = convert_pdf_to_xml(wordPdfPath)
    page_regex = r'page id="[0-9]*"'
    t_regex = r'<text font='
    pagesFound = []
    text = ''
    field = field.replace('<','&').replace('>','&')
    for i in range(len(lines)):
        #If it's a new page line, increment to the new page
        if len(re.findall(page_regex, lines[i])) > 0:
            page = int(re.findall(r'[0-9]{1,}', lines[i])[0])
            #print 'page: ' + str(page)
        #If it's the end of a line
        elif lines[i] == '<text>':
            #print "Text: " + text
            #check if the collected text is the field you're looking for 
            if field in text:
                pagesFound.append(page)
            text = ''
        #If it's a line with a text character, add it to text
        elif len(re.findall(t_regex, lines[i])) > 0:
            text = str(text + re.findall(r'>[^\r\n]*</text>',lines[i])[0][1])

    pagesFound = list(set(pagesFound))
    pagesFound.sort()       
    return pagesFound

此后，PyPDF2可用于简单的PDF页面insertion/merging

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

Get starting (and ending) page of an MS Word paragraph using python-docx

python

pdf

python-docx