用Python提取特定文本并生成目标docx文件

学长发了任务，单纯记录一下完成过程和涉及的知识。

1. 读取docx文件

有几个概念，查资料的时候没仔细看，后来整个过程一直对这方面有疑惑= =

Document对象，表示一个word文档。

Paragraph对象，表示word文档中的一个段落。

Paragraph对象的text属性，表示段落中的文本内容。

1. 安装和导入模块

cmd命令pip install python-docx安装python-docx模块。
用import docx导入模块。

2. 读取docx文件

import docx
file=docx.Document("C:\\Users\\Rexie\\Desktop\\SRA009208.docx")

2. 提取文件中的特定文本

用len(file.paragraphs)获取段落数，发现全部文本在一个段落中。
用file.paragraphs[i].text可以获取指定段落的文本，应该是str吧。

文本很有规律，不太懂语言的我其实可以先在word中替换分隔符、删去无用文本，然后逐行提取。但不想这么做。

发现了这个，尝试失败了，还不知道为什么（1）。

def subString2(template):
   rule = r'<(.*?)>'
   slotList = re.findall(rule, template)
   return slotList
slotList = subString2(template)
for slot in slotList:
   print slot

https://blog.csdn.net/lfdanding/article/details/71192599

然后照着另一份资料。其中有open(file,'r')和read()，无脑搬运是不行的。
或许open只能打开txt？未解（2）。

open()用法：http://www.runoob.com/python/python-func-open.html
read()、readline()和readlines()的区别和用法：https://www.jb51.net/article/119907.htm

算了，这个打开和读取好像根本不需要，前面不是已经读取文本了嘛= =

就用正则表达式re.compile()函数提取需要的文本吧。观察后确定w1、w2两个关键字，之间部分的文本是我需要的，“.gz”也需要。导入re模块，其中compile(pattern [, flags])函数可根据包含的正则表达式的字符串创建模式对象。

将整段文本中的特定文本都用rule规则提取出来，生成字符串数组str1（吧）。

w1 = 'uk/'
w2 = '.gz'
import re
rule = re.compile(w1+'(.*?)'+w2,re.S)
str1 = rule.findall(file.paragraphs[0].text)

关于re.S参数：

在字符串a中，包含换行符\n，在这种情况下：
如果不使用re.S参数，则只在每一行内进行匹配，如果一行没有，就换下一行重新开始。
而使用re.S参数以后，正则表达式会将这个字符串作为一个整体，在整体中进行匹配。

其实我这个文本没影响的，但加着好了……

然后用循环将为每个字符串补充其他所需要的文本，分行放入result中。

result = ''
for i in range(0,len(str1)):
    result=result+'ascp -k 1 -QT -l 300m -P33001 -i /Users/bcl/Applications/Aspera\ CLI/etc/asperaweb_id_dsa.openssh era-fasp@fasp.sra.ebi.ac.uk:/'+str1[i]+'.gz /Users/bcl/Desktop/silkdownload'+'\n'

3. 生成docx文件

新建、输入、保存。（复制print结果也可以吧qwq）
https://blog.csdn.net/cloveses/article/details/81668797

from docx import Document
doc = Document()
paragraph = doc.add_paragraph(result)
doc.save('download.docx')

菜鸡开心。