在Python中，我们可能需要将抓取的数据在Word文档中存储和展示，可以使用一些第三方库如python-docx。这个库允许你创建、修改和提取Word文档的元素。请注意，python-docx只能处理.docx格式的文档。下面是如何使用这个库的详细步骤：

1. 安装库：首先，通过命令pip install python-docx安装库。
2. 创建文档：使用Document()类来创建一个新的Word文档或者打开一个现有的文档。
3. 添加段落：通过add_paragraph()方法，你可以在文档中添加新的段落，段落会自动换行。
4. 添加文本块：使用add_run()方法，在段落中添加文本块（Run对象），文本块不自动换行。
5. 添加文本：通过add_text()方法，在文本块中添加文本，文本不支持插入换行符。
6. 添加分隔符：使用add_break()方法，在文本块中添加分隔符，实现段落内的换行。
7. 添加分页符：使用Document()类的add_page_break()方法，在文档中添加分页符。
8. 保存文档：使用Document()类的save()方法保存你的文档。

以下是一段示例代码，展示了如何使用这些方法将数据存入Word文档：

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import requests
from bs4 import BeautifulSoup
import ssl
import pandas as pd
from urllib.parse import urljoin
import re
from docx import Document
from datetime import datetime

def create_unverified_context():
    """创建不验证服务器证书的HTTPS上下文"""
    return ssl._create_unverified_context()

def get_soup(url, headers, context):
    """获取网页内容并返回BeautifulSoup对象"""
    try:
        # 确保URL以http开头
        url = url.replace('https://', 'http://') if url.startswith('https://') else url
        with requests.get(url, headers=headers, timeout=10, verify=False) as response:
            response.raise_for_status()
            return BeautifulSoup(response.content, "html.parser")
    except requests.exceptions.HTTPError as e:
        print(f"HTTP error: {e.response.status_code} - {e}")
    except requests.exceptions.ConnectionError:
        print("Error connecting to the server.")
    except requests.exceptions.Timeout:
        print("Request timed out.")
    except requests.exceptions.RequestException as e:
        print(f"Request error: {e}")
    return None

def parse_article_soup(article_soup):
    """从BeautifulSoup对象中解析单页文章的详情"""
    article_data = {
        '正文': [],
        '申请人': [],
        '仲裁员': [],
        '书记员': [],
        '案由': None,
        '日期': article_soup.find('meta',attrs={'name':'PubDate'}).get('content'),
        '标题': article_soup.find('meta',attrs={'name':'ArticleTitle'}).get('content'),
        '链接': article_soup.find('meta',attrs={'name':'Url'}).get('content'),
    }
    
    # 获取正文区域内属性style="text-align: center;"的<p>标签之后的所有元素
    article_text_tags = article_soup.select('.news_cont_d_wrap p[style="text-align: center;"]:nth-child(2)~*')

    # 获取所有标签的文本数据
    i, n = 0, 0
    for p in article_text_tags:
        # 检查段落文本中是否包含特定关键词，并据此更新文章数据
        text = re.sub(r'\s+', '', p.get_text(strip=True))
        style_value = p.get('style')
        
        # 获取案由
        if text.startswith('案由'):  #'案由' in re.sub(r'\s+','',p.get_text(strip=True))
            article_data['案由'] = text
            article_data['正文'].append(article_data['案由'])
            n = i
        # 获取仲裁员信息
        elif text.startswith('仲裁员'):
            article_data['仲裁员'].append(text)
        elif text.startswith('书记员'):
            article_data['书记员'].append(text)
        # 处理表格
        elif p.name == 'table':
            rows = p.find_all('tr')
            for row in rows:
                columns = row.find_all('td')
                # 提取单元格数据
                row_data = [column.get_text(strip=True) for column in columns]
                article_data['正文'].append(row_data)
        # 获取案由之前的文本作为“申请人”，并过滤以“案号”开头的文本标签
        elif n == 0 and text and not text.startswith('案号'):
            article_data['申请人'].append(text)
        # 获取案由之后的数据作为“正文”，并过滤<table>标签，和style_value以'right;'结尾的<p>标签
        # style_value的值不是None的情况下，是以'right;'结尾
        elif n != 0 and not p.find('table') and text and not (style_value and style_value.endswith('right;')):
            article_data['正文'].append(text)
        i += 1

    return article_data

def parse_page_data(base_url, headers, context):
    """递归地爬取页面数据直到没有下一页"""
    page_data = []
    curr_page_url = base_url

    # 使用while循环来实现递归爬取
    while curr_page_url:
        # 获取当前页的soup对象
        soup = get_soup(curr_page_url, headers, context)
        if not soup:
            break  # 如果soup为空，直接跳出循环
        
        # 处理当前页的列表内数据
        tag_list = soup.select('div.AllListCon a')
        for tag in tag_list:
            article_url = tag.get('href')
            article_soup = get_soup(article_url, headers, context)
            if article_soup:
                page_data.append(parse_article_soup(article_soup))

        # 查找下一页的链接
        next_page = soup.find('a', class_='next')
        if next_page:
            curr_page_url = next_page.get('href')  # 更新当前页面URL为下一页，继续循环
        else:
            break  # 如果没有下一页，跳出循环
        
    return page_data  # 循环结束后返回data_list

# main函数
def main():
    base_url = 'https://hrss.sz.gov.cn/ztfw/cjjy/wsgk/index.html'
    headers = {'User-Agent': 'Mozilla/5.0 (compatible; YourBot/0.1)'}
    context = create_unverified_context()

    # 获取要储存数据的列表
    data_list = parse_page_data(base_url, headers, context)

    # 创建一个新的Word文档
    doc = Document()
    i = 0

    # 添加数据段落
    for data in data_list:
        # 添加一个段落
        paragraph = doc.add_paragraph()
        # 向段落中添加运行
        i += 1
        paragraph.add_run(f"{i}、{data['日期'][:10]}，{data['标题']}___{data['链接'][-12:-5]}").add_break()
        # 正文
        for text in data['正文']:
            paragraph.add_run(text).add_break()
        paragraph.add_run().add_break()
        # 申请人
        for text in data['申请人']:
            paragraph.add_run(text).add_break()
        paragraph.add_run().add_break()        
        # 仲裁员
        paragraph.add_run(data['仲裁员'])
        paragraph.add_run('。')
        paragraph.add_run(data['书记员'])        
        # 在这里插入分页符
        doc.add_page_break()
    
    # 保存文档
    doc_name = f'案例正文_{datetime.now().strftime("%Y%m%d.%H%M%S")}.docx'
    doc.save(doc_name)

    print(f'数据已保存到Word文档：{doc_name}')

if __name__ == "__main__":
    main()

掌握python-docx：深入理解add_run()与add_text()的差异

在使用python-docx库进行Word文档操作时，理解add_run()和add_text()方法的区别至关重要。以下是对这两个方法以及其他相关方法的清晰解释：

• add_paragraph()

  • 创建段落：这个方法用于在Word文档中创建一个新的段落。
  • 特点：每个段落可以可包含多个文本块（Run对象），可自定义样式。
  • 样式多样性：段落的样式可以独立设置，段落之间有明显的间距（自带换行）。

• add_run()

  • 创建文本块：这个方法属于Paragraph对象，用于在段落中创建一个相同样式的文本块。
  • 连续性：文本块在视觉上是连续的，通过 add_break() 方法可在 Run 对象后添加换行符。
  • 样式多样性：每个 Run 对象允许独立设置样式（如字体、大小、加粗、颜色、下划线等）。Run 对象的样式设置应在 add_run() 之后进行。

• add_text()

  • 文本添加：这个方法专门用于向段落或文本块中添加文本内容。
  • 参数限制：它只接受字符串（str）类型的参数，非字符串类型如data[0]将导致报错。
  • 使用场景：通常在通过add_run()创建文本块后，使用add_text()向其中填充文本。

• add_break()

  • 换行操作：这个方法属于Run对象，用于在文本块后添加一个换行符，实现段落内分行。
  • 分行不分段：添加的换行符仅在段落内形成新行，不会创建新的段落。
  • 连续性：多次调用add_break()，也只会在文本块中实现一次换行，保持文本的连续性。

• add_page_break()

  • 分页符添加：这是Document类的实例方法，用于在文档的指定位置添加一个分页符。
  • 页面控制：通过这个方法，用户可以精确控制文档的页面布局和内容分布。

通过这些方法，python-docx提供了强大的Word文档编辑能力，使得自动化文档生成和管理变得更加高效和灵活。