Skip to content
Office Oxide

Перехід з python-docx

Office Oxide — drop-in заміна для найпоширеніших сценаріїв python-docx (видобування тексту, обхід абзаців, читання таблиць, find-and-replace) у 14 разів швидше і з pass-rate на 3,8 в.п. вище на корпусі з 2 538 DOCX. Бонусом: вам більше не треба тягати окремі бібліотеки для .xlsx (openpyxl), .pptx (python-pptx) та legacy .doc (catdoc / antiword) — один pip install покриває всі шість форматів.

Коли мігрувати

Перемикайтеся, якщо робите щось із цього:

  • Видобуваєте текст чи Markdown із .docx для інжесту / RAG / пошуку
  • Ганяєте find-and-replace-шаблони по тисячах документів
  • Читаєте таблиці з договорів чи звітів
  • Хочете заодно обробляти .xlsx, .pptx чи legacy без нових залежностей

Залишайтеся на python-docx, якщо робите це й не готові спускатися у форматно-специфічний Rust-API:

  • Будуєте складні DOCX з нуля з custom-стилями та темами
  • Потрібні розширення python-docx (наприклад, docxcompose, python-docx-ng)

Встановлення

pip uninstall python-docx
pip install office-oxide

Назва дистрибутива у PyPI — office-oxide (через дефіс), import — office_oxide (через підкреслення).

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 виклик методу, включно з колонтитулами, у ~14 разів швидше.

Markdown / HTML

python-docx — вбудованого Markdown / HTML немає; довелося б тягтися до pandoc, mammoth або писати власний конвертер.

office_oxide

from office_oxide import Document

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

Обхід абзаців

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"]))

Обхід таблиць

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 (шаблонізація)

python-docx — first-class-API немає; типовий патерн — обхід усіх run і переписування тексту, що ламається на cross-run-збігах. Багато хто тягне docx-mailmerge або пише крихкі 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} замін")
    ed.save("filled.docx")

replace_text обробляє cross-run-збіги прозоро й зберігає всі незмінені OPC-частини (зображення, діаграми, стилі).

Читання 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)

Що office_oxide наразі не виставляє

Уніфікований EditableDocument покриває шаблонізацію. Для багатшої DOCX-конструкції — додавання абзаців, програмна збірка таблиць, застосування іменованих стилів — спускайтеся у форматно-специфічний модуль:

from office_oxide.docx import DocxBuilder

builder = DocxBuilder()
builder.add_heading("Q4-звіт", level=1)
builder.add_paragraph("Дохід зріс на 18%.")
builder.save("report.docx")

Або генеруйте з IR через create_from_ir(ir, "docx", "report.docx"). Дивіться Збірка з IR.

Продуктивність

Той самий корпус із 2 538 файлів, single-thread:

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

Інжест мільйона документів, що в python-docx займає 3 год 16 хв, на тому ж залізі в office_oxide завершується за 14 хвилин.

Дивіться також