Escribir en .docx

[_cronos2]

Buenas noches, necesito escribir en un .docx, no necesito nada especial (tablas, listas, etc.), sólo voy a escribir texto y enlaces.
En un tema de stackoverflow recomendaban el módulo python-docx de mikemaccana. Para ello necesitaba lxml y PIL, con PIL no hubo problemas pero lxml me fue imposible de instalar: primero le faltaba el archivo vcvarsall.bat (creo que se llamaba así) para lo que tuve que instalar el MS Visual Studio, y después me daba un error Python en el compilador de Visual Studio, traté de revisar el código pero lo di por perdido.
¿Qué me recomiendan para escribir en archivos .docx? Repito que no necesito nada especial, es texto plano y enlaces.
Saludos y gracias (:

[razpeitia]

Bajate el lxml de esta pagina.

Son módulos precompilados para windows.

[_cronos2]

Me fue de maravilla, no hay nada como los .exe para que Windows entre en razón
Ahora ya lo tengo todo funcionando, pero me encuentro con el problema de que no sé cómo insertar un link. He probado así:

Código Python:

import docx
...
url = 'http://www.google.es'
documentbody.append( docx.makeelement('a', url, 'w', { 'href' : url }) )
 

Con un a href, que es como se haría en HTML, pero parece que esto no resulta en XML En el ejemplo que da en GitHub no sale ningún link, y tampoco hay docs por ningún lado. He mirado en las docs de lxml pero al fin y al cabo el link lo tengo que crear con el módulo docx porque estoy trabajando con él, digo yo.
Saludos y gracias :D

[razpeitia]

Investigando un poco tendrás que hacer una función que agrege un link.

No te aseguro que sea una tarea simple.

[_cronos2]

Bien, pues después de investigar he conseguido descubrir varias cosas. La primera es que los .docx son en realidad una especie de "zips" con varias carpetas donde hay archivos XML. Los archivos principales son dos:
1.- "word/document.xml": Estructura del .docx
2.- "word/_rels/document.rels.xml": Guarda las relationships del documento
Entonces los enlaces se ponen en el archivo 1 así:

Código XML:

<w:hyperlink r:id="rIdX">
<w:r w:rsidRPr="008D7595">
<w:rPr>
<w:rStyle w:val="Hipervnculo"/>
</w:rPr>
<w:t>Texto</w:t>
</w:r>
</w:hyperlink>
 

Excepto el <w:t>, el resto de hijos del hyperlink no sé para qué sirven aunque se puede intuir, y en principio no las voy a usar, con poner el texto me sirve.
Después, en el archivo 2, se ponen los Relationships:

Código XML:

<Relationship Target="http://www.google.es" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/hyperlink" Id="rIdX" TargetMode="External"/>
 

X es el número del id.
Entonces edité el módulo docx y en la función wordrelationships, que es la que añade todos los Relationships antes de guardar el documento, añadí un parámetro para poder pasarle un array de links y que los añadiera también al archivo 2. Lo puse así:

Código Python:

def wordrelationships(relationshiplist, links = []):
    relationships = etree.fromstring(
    '''<Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships">
        </Relationships>'''
    )
    
    count = 1
    for relationship in relationshiplist:
        # Relationship IDs (rId) start at 1.
        relationships.append(
            makeelement('Relationship', attributes = {
                'Id' : 'rId' + str(count),
                'Type' : relationship[0],
                'Target' : relationship[1]
            }, nsprefix = None)
        )
        count += 1
    
# A partir de aquí el código es mío
    namespace = '{http://schemas.openxmlformats.org/officeDocument/2006/relationships}' # nsprefix = 'r'
    if links: # links != []     
        for obj in links:
            relationships.append(
                makeelement('Relationship', attributes = {
                    'Id' : 'rId' + str(count),
                    'Type' : 'http://schemas.openxmlformats.org/officeDocument/2006/relationships/hyperlink',
                    'Target' : obj['target'],
                    'TargetMode' : obj['mode']
                }, attrnsprefix = 'w', tagtext = obj['text'])
            )
            
            obj['hyperlink'].set(namespace + 'id', 'rId' + str(count))
            count += 1
    
    return relationships
 

Y aquí surgen varios problemas, como era de esperar
A) En vez de hacer un bucle para relationshiplist y otro para links, parece ser que el de links se queda dentro del otro, y por cada Relationship "estándar" que añade, me añade otra vez el Relationship de mi link.
B) Al crear los elementos pongo tanto nsprefix como attrnsprefix 'w', puesto que en una prueba que hice a mano, al inspeccionar los archivos, el prefijo de los tags es "w:", sin embargo en el archivo generado sale "ns0:".
C) Se supone que cuando se guarda el archivo todo el árbol XML se convierte a string para después escribirlo en el nuevo documento, y se hace mediante el etree de lxml:

Código Python:

# Serialize our trees into out zip file
    treesandfiles = {document:'word/document.xml',
                     coreprops:'docProps/core.xml',
                     appprops:'docProps/app.xml',
                     contenttypes:'[Content_Types].xml',
                     websettings:'word/webSettings.xml',
                     wordrelationships:'word/_rels/document.xml.rels'}
    for tree in treesandfiles:
        log.info('Saving: '+treesandfiles[tree])
        treestring = etree.tostring(tree, pretty_print=True)
        docxfile.writestr(treesandfiles[tree], treestring)
 

Al usar el tostring, el parámetro pretty_true es True, así que debería escribirlo con saltos de línea e indentaciones. Sin embargo, cuando me genera el documento, el archivo 2 (el de Relationships) me sale todo en dos líneas:

Código XML:

<Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships">
        <Relationship Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/numbering" Id="rId1" Target="numbering.xml"/><ns0:Relationship xmlns:ns0="http://schemas.openxmlformats.org/wordprocessingml/2006/main" ns0:TargetMode="External" ns0:Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/hyperlink" ns0:Id="rId2" ns0:Target="http://www.google.es">http://www.google.es</ns0:Relationship><Relationship Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/styles" Id="rId3" Target="styles.xml"/><ns0:Relationship xmlns:ns0="http://schemas.openxmlformats.org/wordprocessingml/2006/main" ns0:TargetMode="External" ns0:Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/hyperlink" ns0:Id="rId4" ns0:Target="http://www.google.es">http://www.google.es</ns0:Relationship><Relationship Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/settings" Id="rId5" Target="settings.xml"/><ns0:Relationship xmlns:ns0="http://schemas.openxmlformats.org/wordprocessingml/2006/main" ns0:TargetMode="External" ns0:Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/hyperlink" ns0:Id="rId6" ns0:Target="http://www.google.es">http://www.google.es</ns0:Relationship><Relationship Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/webSettings" Id="rId7" Target="webSettings.xml"/><ns0:Relationship xmlns:ns0="http://schemas.openxmlformats.org/wordprocessingml/2006/main" ns0:TargetMode="External" ns0:Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/hyperlink" ns0:Id="rId8" ns0:Target="http://www.google.es">http://www.google.es</ns0:Relationship><Relationship Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/fontTable" Id="rId9" Target="fontTable.xml"/><ns0:Relationship xmlns:ns0="http://schemas.openxmlformats.org/wordprocessingml/2006/main" ns0:TargetMode="External" ns0:Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/hyperlink" ns0:Id="rId10" ns0:Target="http://www.google.es">http://www.google.es</ns0:Relationship><Relationship Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/theme" Id="rId11" Target="theme/theme1.xml"/><ns0:Relationship xmlns:ns0="http://schemas.openxmlformats.org/wordprocessingml/2006/main" ns0:TargetMode="External" ns0:Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/hyperlink" ns0:Id="rId12" ns0:Target="http://www.google.es">http://www.google.es</ns0:Relationship></Relationships>
 

Ahí también se puede ver lo de que me repite el link que le paso por cada Relationship que añade.
Espero que me podáis ayudar :D
Saludos (:

[razpeitia]

De hecho tiene muy buenas razones para no reformatear, esta especificado en las aquí FAQ's de lxml

[_cronos2]

Bueno, pues gracias a esto me acabo de dar cuenta de uno de los fallos, el texto no tiene que ir en el Relationship sino en un t dentro del hyperlink.
Y recién otro de los problemas Al crear los relationship tengo que poner nsprefix y attrnsprefix a None, no sé por qué puse "w"
Después de corregir estos errores falta averiguar por qué el bucle de mis Relationships se queda dentro del otro, y por qué el documento que yo genero tiene com prefijo ns0: y no w:
Saludos y gracias :)
Edit: Otra cosa solucionada. Me ponía un bucle dentro del otro porque en la parte del código antiguo la indentación era de 4 espacios, y en lo que puse yo era con tabulaciones. Lo cambié todo a tabulaciones y ya funciona esa parte

[_cronos2]

YUJUUUUUUUUU, al fin lo conseguí! Bueno en realidad lo conseguí ya el lunes, pero entre unas cosas y otras no he tenido tiempo para postearlo antes Al final tuve que pasar casi completamente de docx y hacerlo con lxml, que por cierto me encantó por lo sencillo y potente que es. Finalmente el código quedo así:

Código Python:

# -*- coding: utf-8 -*-
 
from docx import *
 
def gen_rid():
    from random import shuffle
    hex = list("0123456789ABCDEF")
    shuffle(hex)
    return ''.join( hex[0:8] )
 
def make_link(target, mode = 'External', text = ''):
    hyperlink = etree.fromstring(
        '''\
        <w:p w:rsidR="{rid}" w:rsidRDefault="{rid}" xmlns:w="{url}">
            <w:hyperlink>           
                <w:r w:rsidRPr="{rid}">
                    <w:rPr>
                        <w:rStyle w:val="Hipervnculo"/>
                    </w:rPr>
                    <w:t>{text}</w:t>
                </w:r>
            </w:hyperlink>
        </w:p>
        '''.format(rid = rid, text = text, url = w)
    )
 
    links.append({
        'hyperlink' : hyperlink[0],
        'target' : target,
        'mode' : mode,
        'text' : text       
    })
 
    return hyperlink
 
def new():
    d = etree.fromstring( '''<w:document xmlns:w="%s" xmlns:r="%s"></w:document>''' % (w, r) )
    dbody = etree.SubElement( d, '{%s}body' % w)
    
    return d, dbody
 
 
relationships, rid = relationshiplist(), gen_rid()
links = []
w, r = 'http://schemas.openxmlformats.org/wordprocessingml/2006/main', 'http://schemas.openxmlformats.org/officeDocument/2006/relationships'
 
d, dbody = new()
dbody.append( make_link('http://www.google.es', 'External', 'http://www.google.es') )
# ...
wordrelationships = wordrelationships(relationships, links)
 

Y tuve que cambiar el módulo docx:

Código Python:

def wordrelationships(relationshiplist, links = []):
    '''Generate a Word relationships file'''
    # Default list of relationships
    # FIXME: using string hack instead of making element
    #relationships = makeelement('Relationships',nsprefix='pr')
    relationships = etree.fromstring(
    '''<Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships"></Relationships>'''
    )
    
    count = 1
    for relationship in relationshiplist:
        # Relationship IDs (rId) start at 1.
        relationships.append(
            makeelement('Relationship', attributes = {
                'Id' : 'rId' + str(count),
                'Type' : relationship[0],
                'Target' : relationship[1]
            }, nsprefix = None)
        )
        count += 1
 
# A partir de aquí el código es mío
    r = 'http://schemas.openxmlformats.org/officeDocument/2006/relationships' # nsprefix = 'r'
    if links: # links != []     
        for obj in links:
            relationships.append(
                makeelement('Relationship', attributes = {
                    'TargetMode' : obj['mode'],
                    'Id' : 'rId' + str(count),
                    'Type' : '%s/hyperlink' % r,
                    'Target' : obj['target']
                }, nsprefix = None)
            )
            
            hl = obj['hyperlink']
            hl.set('{%s}id' % r, 'rId' + str(count))
            
            count += 1
    
    return relationships
 

para poder darle soporte a los hipervínculos. Lo único que no conseguí es que se vieran como links, de color azul, sino que se siguen viendo como texto plano, pero es lo de menos.
Espero que esto le sirva a alguien algún día
Saludos y gracias por todo :D

[razpeitia]

Puedes agregarlo al módulo python-docx y hacer un push al proyecto

[_cronos2]

Cierto, veré qué puedo hacer. Gracias por el apunte ;)