【网络安全带你练爬虫-100练】第20练：数据处理-并写入到指定文档位置

目录

一、目标1：解码+去标签

二、目标2：提取标签内内容

三、目标3：处理后的数据插入原位置

四、目标4：将指定的内容插入指定的位置

五、目标5：设置上下文字体格式

六、目标6：向多个不同位置插入不同的字符串

七、目标7：向多个不同位置插入不同的字符串

八、目标8：图文写入到指定的字符串后面

---

一、目标1：解码+去标签

使用函数：html.unescape()解码+replace()替换

import html
 
data = '\u003cp\u003e（此处忽略一万个字）'
 
# 解码HTML实体,并替换相应字符
decoded_data = html.unescape(data).replace('

', '\n').replace('
','').replace('
','')
 
 
# 输出结果
print(decoded_data)

---

---

二、目标2：提取标签内内容

思路：其实也就是正则匹配

img标签去掉并换行，只留下URL

代码：

import re
 
text = '…………（此处省略一万字）'
 
# 提取URL
urls = re.findall(r'', text)
 
# 替换标签为URL，并添加换行符
for url in urls:
    text = re.sub(r'', url + '\n', text, count=1)
 
print(text)

---

---

三、目标3：处理后的数据插入原位置

将以下代码中图片URL下载后，并按照原位置插入文档

import requests
from docx import Document
from docx.shared import Inches
 
# 创建一个新的Word文档
doc = Document()
 
text = '''
图片:
https://xxxxx.png
'''
 
# 以换行符分割文本
lines = text.split('\n')
 
for line in lines:
    if line.startswith('https://'):
        # 下载图片
        response = requests.get(line)
        image_path = line.split('/')[-1]  # 使用URL中的最后一部分作为文件名保存图片
        with open(image_path, 'wb') as f:
            f.write(response.content)
        
        # 插入图片到Word文档
        doc.add_picture(image_path, width=Inches(4))  # 根据需要调整图片的宽度
    else:
        # 插入文本到Word文档
        doc.add_paragraph(line)
 
# 保存Word文档
doc.save("output.docx")

四、目标4：将指定的内容插入指定的位置

使用python打开一个word文档，并将内容写入到指定字符串后面

from docx import Document
 
# 打开Word文档
doc = Document('example.docx')
 
# 获取文档中所有段落的内容
paragraphs = [p.text for p in doc.paragraphs]
 
# 指定要插入内容的位置
target_string = '指定字符串'
insert_index = paragraphs.index(target_string) + 1  # 在目标字符串后面插入，所以需要加1
 
# 要插入的内容
new_content = '要插入的内容'
 
# 在指定位置后插入内容
doc.paragraphs[insert_index].insert_paragraph_before(new_content)
 
# 保存修改后的Word文档
doc.save('example_modified.docx')

---

---

五、目标5：设置上下文字体格式

将写入文本的的字体大小与上一行一致

from docx import Document
from docx.shared import Pt
 
# 打开Word文档
doc = Document('example.docx')
 
# 获取上一行的字体大小
previous_paragraph = doc.paragraphs[-1]
previous_run = previous_paragraph.runs[-1]
previous_font_size = previous_run.font.size
 
# 要写入的文本内容
new_text = '新的文本'
 
# 在新行中写入文本
new_paragraph = doc.add_paragraph()
new_run = new_paragraph.add_run(new_text)
 
# 设置新行的字体大小与上一行一致
new_font = new_run.font
new_font.size = previous_font_size
 
# 保存修改后的Word文档
doc.save('example_modified.docx')

插入与上一行字体一样大小的文字

from docx import Document
from docx.shared import Pt
 
def word_info_w():
    # 打开Word文档
    doc = Document('test.docx')
 
    # 获取文档中所有段落的内容
    paragraphs = [p.text for p in doc.paragraphs]
 
    # 指定要插入内容的位置
    target_string = '附件:'
    insert_index = paragraphs.index(target_string) + 1  # 在目标字符串后面插入，所以需要加1
 
    # 获取上一行的字体大小
    previous_paragraph = doc.paragraphs[insert_index - 1]
    previous_run = previous_paragraph.runs[-1]
    previous_font_size = previous_run.font.size
 
    # 要插入的内容
    new_content = '测试title'
 
    # 在指定位置后插入内容
    new_paragraph = doc.paragraphs[insert_index].insert_paragraph_before(new_content)
 
    # 设置新插入内容的字体大小与上一行一致
    new_run = new_paragraph.runs[0]
    new_font = new_run.font
    new_font.size = previous_font_size
 
    # 保存修改后的Word文档
    doc.save('test.docx')
 
if __name__ == '__main__':
    word_info_w()

---

---

六、目标6：向多个不同位置插入不同的字符串

向多个不同位置插入不同的字符串

(可能会插入到同一个位置)

from docx import Document
 
def insert_content(doc, insert_dict):
    # 获取文档中所有段落的内容
    paragraphs = [p.text for p in doc.paragraphs]
 
    for target_string, new_content in insert_dict.items():
        if target_string in paragraphs:
            # 指定要插入内容的位置
            insert_index = paragraphs.index(target_string) + 1  # 在目标字符串后面插入，所以需要加1
 
            # 获取上一行的字体大小
            previous_paragraph = doc.paragraphs[insert_index - 1]
            previous_run = previous_paragraph.runs[-1]
            previous_font_size = previous_run.font.size
 
            # 在指定位置后插入内容
            new_paragraph = doc.paragraphs[insert_index].insert_paragraph_before(new_content)
 
            # 设置新插入内容的字体大小与上一行一致
            new_run = new_paragraph.runs[0]
            new_font = new_run.font
            new_font.size = previous_font_size
 
    # 保存修改后的Word文档
    doc.save('test.docx')
 
if __name__ == '__main__':
    # 打开Word文档
    doc = Document('test.docx')
 
    # 定义要插入的内容和位置的字典
    insert_dict = {
        '附件:': '测试title1',
        '目录:': '测试title2'
    }
 
    # 插入内容
    insert_content(doc, insert_dict)

---

---

七、目标7：向多个不同位置插入不同的字符串

from docx import Document
 
def insert_content(doc, target_string, new_content):
    # 获取文档中所有段落的内容
    paragraphs = [p.text for p in doc.paragraphs]
 
    if target_string in paragraphs:
        # 指定要插入内容的位置
        insert_index = paragraphs.index(target_string) + 1  # 在目标字符串后面插入，所以需要加1
 
        if insert_index < len(doc.paragraphs):
            # 在指定位置后插入内容
            doc.paragraphs[insert_index].insert_paragraph_before(new_content)
 
    # 保存修改后的 Word 文档
    doc.save('test.docx')
 
if __name__ == '__main__':
    # 打开 Word 文档
    doc = Document('test.docx')
 
    # 定义要插入的内容和位置的字典
    insert_dict = {
        '指定字符1位置': '插入内容1',
        '指定字符2位置': '插入内容2',
        '指定字符3位置': '插入内容3'
    }
 
    for target_string, new_content in insert_dict.items():
        # 插入内容
        insert_content(doc, target_string, new_content)

指定字体大小

from docx import Document
from docx.shared import Pt
 
def insert_content(doc, target_string, new_content):
    # 获取文档中所有段落的内容
    paragraphs = [p.text for p in doc.paragraphs]
 
    if target_string in paragraphs:
        # 指定要插入内容的位置
        insert_index = paragraphs.index(target_string) + 1  # 在目标字符串后面插入，所以需要加1
 
        if insert_index < len(doc.paragraphs):
            # 在指定位置后插入内容
            paragraph = doc.paragraphs[insert_index]
            run = paragraph.insert_paragraph_before(new_content).runs[0]
            font = run.font
            font.size = Pt(12)  # 设置字体大小为3号字体（12磅）
 
    # 保存修改后的 Word 文档
    doc.save('test.docx')
 
if __name__ == '__main__':
    # 打开 Word 文档
    doc = Document('test.docx')
 
    # 定义要插入的内容和位置的字典
    insert_dict = {
        '指定字符1位置': '插入内容1',
        '指定字符2位置': '插入内容2',
        '指定字符3位置': '插入内容3'
    }
 
    for target_string, new_content in insert_dict.items():
        # 插入内容
        insert_content(doc, target_string, new_content)

---

---

八、目标8：图文写入到指定的字符串后面

from docx import Document
from docx.shared import Pt
from docx.shared import Inches
import requests
 
def word_img_text_w(word, target_string):
    # 打开 Word 文档
    doc = Document('test.docx')
 
    # 获取文档中所有段落的内容
    paragraphs = [p.text for p in doc.paragraphs]
 
    if target_string in paragraphs:
        # 指定目标字符串的位置
        insert_index = paragraphs.index(target_string) + 1  # 在目标字符串后面插入，所以需要加1
 
        # 以换行符分割文本
        lines = word.split('\n')
 
        for line in lines:
            if line.startswith('https://'):
                # 下载图片
                response = requests.get(line)
                image_path = line.split('/')[-1]  # 图片保存的本地路径，使用URL中的最后一部分作为文件名
                with open(image_path, 'wb') as f:
                    f.write(response.content)
                # 插入图片到Word文档
                doc.paragraphs[insert_index].add_run().add_picture(image_path, width=Inches(4))  # 根据需要调整图片的宽度
                insert_index += 1
            else:
                # 插入文本到Word文档
                run = doc.paragraphs[insert_index].add_run(line)
                run.font.size = Pt(16)  # 设置字体大小为16磅
                insert_index += 1
 
    # 保存Word文档
    doc.save("test.docx")
 
if __name__ == '__main__':
    # 要插入的内容
    content = '''测试
https://xx.png
https://xxxx.png'''
 
    # 指定目标字符串
    target_string = '指定目标字符1'
 
    # 插入内容到Word文档
    word_img_text_w(content, target_string)