我要评论小李是刚入职场的行政助理，这天领导扔给他30份项目报告，要求统计每份报告的字数，还要提取创建时间和最后修改作者。手动打开一个个word文档复制粘贴，显然不现实，小李决定用python试试。
准备工作：安装与导入
操作word文档最常用的库是python-docx。它只支持.docx格式，老旧的.doc格式需要先转换。
pip install python-docx
安装完成后，在代码中导入。处理日期时间还需要datetime库：
from docx import document from datetime import datetime
读取文档属性
word文档的属性就像文件的“身份证”，记录了标题、作者、创建时间、修改次数等信息。这些信息藏在文档的“core properties”部分，python-docx可以轻松读取。
def get_doc_properties(doc_path):
doc = document(doc_path)
core_props = doc.core_properties
info = {
"标题": core_props.title,
"作者": core_props.author,
"分类": core_props.category,
"状态": core_props.content_status,
"创建时间": core_props.created,
"修改时间": core_props.modified,
"最后保存者": core_props.last_modified_by,
"修订次数": core_props.revision
}
return info
props = get_doc_properties("项目报告.docx")
for key, value in props.items():
print(f"{key}: {value}")
输出结果类似于：
标题: 2024年度项目总结
作者: 张三
创建时间: 2024-12-01 10:30:00
最后保存者: 李四
修订次数: 5
注意created和modified返回的是datetime对象，可以直接用strftime格式化。
字数统计：主体内容
字数统计稍微复杂些。文档里的文字分散在不同的地方：段落、表格、页眉页脚、文本框。先统计最常见的主体段落和表格。
def count_word_document(doc_path):
doc = document(doc_path)
total_chars = 0
for paragraph in doc.paragraphs:
text = paragraph.text.strip()
total_chars += len(text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
text = cell.text.strip()
total_chars += len(cell.text)
return total_chars
word_count = count_word_document("项目报告.docx")
print(f"文档总字符数: {word_count}")
这里用len(text)统计字符数。对中文来说，每个汉字算1个字符。英文场景下可能需要按空格分词来统计单词数，用len(text.split())即可。
进阶字数统计：包含页眉页脚
页眉页脚往往藏着重要信息，比如公司名称、文档版本。统计它们能让字数更完整。
def count_with_headers(doc_path):
doc = document(doc_path)
total_chars = 0
for paragraph in doc.paragraphs:
total_chars += len(paragraph.text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
total_chars += len(cell.text)
for section in doc.sections:
header = section.header
for paragraph in header.paragraphs:
total_chars += len(paragraph.text)
footer = section.footer
for paragraph in footer.paragraphs:
total_chars += len(paragraph.text)
return total_chars
通过doc.sections遍历每个节，再分别访问页眉和页脚的段落。
注意事项
段落与run的区别：python-docx把一段文字拆成多个run对象，每个run是一段样式相同的连续文本。直接取paragraph.text会合并所有run的文本，对字数统计没影响。但如果要统计带格式的文字数量，可以遍历paragraph.runs分别处理。
性能问题：几十上百页的文档，遍历所有表格和段落没问题。上千页的超长文档，建议分页读取或换用更底层的lxml直接解析xml。
分页统计：python-docx本身不提供精确的页数统计。如果依赖分页符来分页，可以用paragraph.contains_page_break判断：
def estimate_pages(doc_path):
doc = document(doc_path)
page_breaks = sum(1 for p in doc.paragraphs if p.contains_page_break)
return page_breaks + 1
这种方法只对手动插入分页符的文档有效，纯自动排版的文档会返回1。
完整示例：批量处理脚本
把上面内容整合成一个批量处理脚本：
import os
from docx import document
from datetime import datetime
def analyze_doc(doc_path):
try:
doc = document(doc_path)
props = doc.core_properties
char_count = 0
for para in doc.paragraphs:
char_count += len(para.text)
for table in doc.tables:
for row in table.rows:
for cell in row.cells:
char_count += len(cell.text)
return {
"文件": os.path.basename(doc_path),
"字符数": char_count,
"作者": props.author,
"创建时间": props.created.strftime("%y-%m-%d") if props.created else "未知"
}
except exception as e:
print(f"处理失败 {doc_path}: {e}")
return none
folder = "./reports"
for filename in os.listdir(folder):
if filename.endswith(".docx"):
full_path = os.path.join(folder, filename)
result = analyze_doc(full_path)
if result:
print(f"{result['文件']} - {result['字符数']}字 - {result['作者']}")
跑一遍脚本，30份报告的字数和作者信息就全部提取出来了。小李把结果导出到excel，圆满完成了任务。
总结
用python-docx处理word文档属性与字数统计，核心就三点：doc.core_properties获取元数据、遍历doc.paragraphs和doc.tables统计文字、doc.sections访问页眉页脚。代码量不大，却能把重复劳动彻底自动化。下次领导再丢来一堆文档，就知道怎么优雅应对了。
到此这篇关于python操作word文档属性与字数统计的方法详解的文章就介绍到这了,更多相关python操作word内容请搜索代码网以前的文章或继续浏览下面的相关文章希望大家以后多多支持代码网！
发表评论