2

Здравствуйте, уважаемые участники сообщества. Хотел бы задать вам вопрос по теме одной из сторонних библиотек, а именно python-docx. Суть заключается в том, что требуется взять .docx файл и сконвертировать в .txt, но как бы я ни старался сделать это, 160кб файл .docx конвертируется 4.5 минуты. Возможно я что-то делаю не так, не уверен. В моей задаче файл состоит из одной, многостраничной таблицы и я просто беру, циклом пробегаюсь по всем строкам таблицы, сохраняя каждую ячейку в файл, примерно вот так:

rowses = []
for table in document.tables:
    rowses += table.rows
for row in rowses:
    s = ""
    for cl in row.cells:
        s += cl.text
        s += " "
    text_file.write(s + '\n')

Но этот алгоритм работает уж сильно долго, знаете ли вы другие, более быстрые способы? или возможно, я что-то делаю не так... Надеюсь на вашу помощь, спасибо.

1 ответ 1

6

Это старая проблема с docx - github issue. Все плохо из-за того, что как-то очень криво извлекаются ячейки из массива с ячейками.

В качестве обхода можно потыркать потрошки библиотеки:

from docx import Document

doc = Document("doc.docx")
text_getter = lambda cell: cell.text

for table in doc.tables:
    CELLS = table._cells
    column_count = table._column_count
    for row in table.rows:
        row_index = row._tr.tr_idx
        print("Номер строки: ", row_index)
        text_row = CELLS[row_index * column_count: (row_index + 1) * column_count]

        print(' '.join(map(text_getter, text_row)))

Вы не привели примеров таблиц, поэтому я тестировал на самой простой - создал большую, но очень простую десятистраничную таблицу и запустил (на всякий случай - ссылка на файл: dropbox). Время работы отличается разительно - как видите, я залез в защищенные поля и использовал иначе, чем в библиотеке. Вот пример того, как обрабатываются ячейки для таблицы в библиотеке:

@property
    def _cells(self):
        """
        A sequence of |_Cell| objects, one for each cell of the layout grid.
        If the table contains a span, one or more |_Cell| object references
        are repeated.
        """
        col_count = self._column_count
        cells = []
        for tc in self._tbl.iter_tcs():
            for grid_span_idx in range(tc.grid_span):
                if tc.vMerge == ST_Merge.CONTINUE:
                    cells.append(cells[-col_count])
                elif grid_span_idx > 0:
                    cells.append(cells[-1])
                else:
                    cells.append(_Cell(tc, self))
        return cells

Как видно, каждый раз, когда вы извлекаете текст из ячейки, эти самые ячейки читаются из файла заново. Все ячейки из всей таблицы - крайнее расточительство. Альтернативно можно просто считать ячейки один раз и сохранить их в массив, что и было сделано мной в примере - ячейки читаются один раз и сохраняются в CELLS.

1
  • Замечательный ответ! Спасибо большое
    – Zimovik007
    4 июл 2016 в 18:11

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.