Skip to content
Office Oxide

Переход с python-docx

Office Oxide — drop-in замена для самых частых сценариев python-docx (извлечение текста, обход абзацев, чтение таблиц, find-and-replace) в 14 раз быстрее и с pass-rate на 3,8 п. п. выше на корпусе из 2 538 DOCX. Бонус: вам больше не нужно тащить отдельные библиотеки для .xlsx (openpyxl), .pptx (python-pptx) и legacy .doc (catdoc / antiword) — один pip install покрывает все шесть форматов.

Когда мигрировать

Переключайтесь, если делаете что-то из перечисленного:

  • Извлекаете текст или Markdown из .docx для ингеста / RAG / поиска
  • Гоните find-and-replace-шаблоны по тысячам документов
  • Читаете таблицы из договоров или отчётов
  • Хотите заодно обрабатывать .xlsx, .pptx или legacy без новых зависимостей

Останьтесь на python-docx, если делаете это и не готовы спускаться в формат-специфичный Rust-API:

  • Строите сложный DOCX с нуля с custom-стилями и темами
  • Нужны расширения python-docx (например, docxcompose, python-docx-ng)

Установка

pip uninstall python-docx
pip install office-oxide

Имя дистрибутива в PyPI — office-oxide (через дефис), import — office_oxide (через подчёркивание).

Шпаргалка side-by-side

Plain text

python-docx

from docx import Document

doc = Document("report.docx")
text = "\n".join(p.text for p in doc.paragraphs)

office_oxide

from office_oxide import Document

with Document.open("report.docx") as doc:
    text = doc.plain_text()

Один вызов метода, включая колонтитулы, и в ~14 раз быстрее.

Markdown / HTML

python-docx — встроенного Markdown / HTML нет; пришлось бы цеплять pandoc, mammoth или писать свой конвертер.

office_oxide

from office_oxide import Document

with Document.open("report.docx") as doc:
    md   = doc.to_markdown()
    html = doc.to_html()

Обход абзацев

python-docx

from docx import Document

doc = Document("report.docx")
for p in doc.paragraphs:
    print(p.style.name, p.text)

office_oxide (через IR)

from office_oxide import Document

with Document.open("report.docx") as doc:
    ir = doc.to_ir()

for section in ir["sections"]:
    for el in section["elements"]:
        if el["kind"] == "Heading":
            print(f"H{el['level']}", el["text"])
        elif el["kind"] == "Paragraph":
            print("P", " ".join(r["text"] for r in el["runs"]))

Обход таблиц

python-docx

from docx import Document

doc = Document("report.docx")
for table in doc.tables:
    for row in table.rows:
        cells = [cell.text for cell in row.cells]
        print(cells)

office_oxide

from office_oxide import Document

with Document.open("report.docx") as doc:
    ir = doc.to_ir()

for section in ir["sections"]:
    for el in section["elements"]:
        if el["kind"] == "Table":
            for row in el["rows"]:
                print(row)

Find and replace (шаблонизация)

python-docx — нет first-class-API; типичный паттерн — обход всех run и переписывание текста, что ломается на cross-run-совпадениях. Многие тащат docx-mailmerge или пишут хрупкие regex.

office_oxide

from office_oxide import EditableDocument

with EditableDocument.open("template.docx") as ed:
    n = ed.replace_text("{{client_name}}", "Acme Corp")
    print(f"{n} замен")
    ed.save("filled.docx")

replace_text обрабатывает cross-run-совпадения прозрачно и сохраняет все нетронутые OPC-части (изображения, диаграммы, стили).

Чтение core properties

python-docx

from docx import Document

doc = Document("report.docx")
print(doc.core_properties.author)
print(doc.core_properties.modified)

office_oxide

from office_oxide import Document

with Document.open("report.docx") as doc:
    props = doc.as_docx().core_properties()
    print(props.author)
    print(props.modified)

Что office_oxide пока не выставляет

Унифицированный EditableDocument покрывает шаблонизацию. Для богатее DOCX-конструкции — добавление абзацев, программная сборка таблиц, применение именованных стилей — спускайтесь в формат-специфичный модуль:

from office_oxide.docx import DocxBuilder

builder = DocxBuilder()
builder.add_heading("Q4-отчёт", level=1)
builder.add_paragraph("Выручка выросла на 18%.")
builder.save("report.docx")

Или генерируйте из IR через create_from_ir(ir, "docx", "report.docx"). См. Сборка из IR.

Производительность

Тот же корпус из 2 538 файлов, single-thread:

Библиотека Среднее p99 Pass rate
office_oxide 0,8 мс 3,9 мс 98,9%
python-docx 11,8 мс 98 мс 95,1%

Ингест миллиона документов, который у python-docx занимает 3 ч 16 мин, на том же железе у office_oxide заканчивается за 14 минут.

Смотрите также