Программирование на python

В этой статье вы узнаете, как добавлять и удалять абзацы в документе Word с помощью Python, с практическими примерами, основанными на Spire.Doc для Python.

Содержание

• Что такое Spire.Doc для Python

• Установка необходимой библиотеки

• Добавление абзаца

• Удаление абзаца

• Удаление пустых/незаполненных абзацев

• Заключительные мысли

Что такое Spire.Doc для Python

Spire.Doc для Python — это библиотека для обработки документов Word, которая позволяет разработчикам создавать, редактировать и манипулировать файлами DOC и DOCX программно — без необходимости в Microsoft Word.

Она предлагает обширные API для работы с абзацами, стилями, таблицами и общей структурой документа, что делает её практичным выбором для задач автоматизации и обработки документов Word в Python.

Установка необходимой библиотеки

Перед началом работы установите Spire.Doc для Python с помощью pip:

pip install spire-doc

Spire.Doc для Python предоставляет бесплатную версию, которая поддерживает базовые операции с документами Word, что вполне достаточно для большинства задач на уровне абзацев, рассматриваемых в этой статье.

pip install spire-doc-free

Добавление абзаца

1. Добавление текста в конец документа Word

Добавление абзаца в конец документа — одна из самых распространённых операций при динамической генерации файлов Word.

from spire.doc import *

from spire.doc.common import *

# Загрузка документа Word

doc = Document()

doc.LoadFromFile("Input.docx")

# Получение последнего раздела

lastSection = doc.LastSection

# Добавление абзаца в раздел

paragraph = lastSection.AddParagraph()

# Добавление текста в абзац

paragraph.AppendText("Это новый абзац.")

# Сохранение документа

doc.SaveToFile("AddParagraphAtEnd.docx", FileFormat.Docx2019)

doc.Dispose()

Этот подход идеально подходит для добавления заключений, резюме или добавленных материалов.

2. Вставка абзаца в определённое место

Иногда вам может потребоваться вставить абзац в точном месте, а не добавлять его в конец.

from spire.doc import *

from spire.doc.common import *

# Загрузка документа Word

doc = Document()

doc.LoadFromFile("Input.docx")

# Получение специфического раздела

section = doc.Sections[0]

# Создание абзаца

paragraph = Paragraph(doc)

paragraph.AppendText("Это новый абзац.")

# Вставка абзаца как третьего (индекс начинается с 0)

section.Paragraphs.Insert(2, paragraph)

# Сохранение документа

doc.SaveToFile("InsertParagraph.docx", FileFormat.Docx2019)

doc.Dispose()

Это особенно полезно при работе с шаблонами, где контент должен появляться в фиксированном порядке.

3. Настройка форматирования абзаца

Вы также можете применять пользовательское форматирование к вновь добавленным абзацам с помощью стилей.

# Создание стиля абзаца

style = ParagraphStyle(doc)

style.Name = "NewStyle"

style.CharacterFormat.FontName = "Times New Roman"

style.CharacterFormat.FontSize = 12

doc.Styles.Add(style)

# Применение стиля к абзацу

paragraph.ApplyStyle(style.Name)

Использование стилей вместо ручного форматирования помогает поддерживать последовательность во всём документе.

Удаление абзаца

1. Удаление абзаца по индексу

Если вы знаете положение абзаца, который хотите удалить, удаление по индексу — это просто.

from spire.doc import *

from spire.doc.common import *

# Загрузка документа Word

doc = Document()

doc.LoadFromFile("Input.docx")

# Получение специфического раздела

section = doc.Sections[0]

# Удаление четвёртого абзаца

section.Paragraphs.RemoveAt(3)

# Сохранение документа

doc.SaveToFile("RemoveParagraph.docx", FileFormat.Docx2019)

doc.Dispose()

💡 Вы также можете удалить все абзацы, используя section.Paragraphs.Clear(), если это необходимо.

2. Удаление абзаца, содержащего определённый текст

Во многих реальных случаях вы не знаете индекс абзаца заранее. Вместо этого вы хотите удалить абзацы, содержащие определённый текст.

from spire.doc import *

from spire.doc.common import *

# Загрузка документа Word

doc = Document()

doc.LoadFromFile("Input.docx")

# Получение специфического раздела

section = doc.Sections[0]

# Поиск всех вхождений указанного текста

textSelections = doc.FindAllString("Целевой текст", False, True)

# Цикл по всем вхождениям

for selection in textSelections:

textRange = selection.GetAsOneRange()

owner_paragraph = textRange.OwnerParagraph

section.Paragraphs.Remove(owner_paragraph)

# Сохранение документа

doc.SaveToFile("RemoveCertainParagraph.docx", FileFormat.Docx2019)

doc.Dispose()

Этот метод очень эффективен для очистки заполнительного контента в шаблонах.

Удаление пустых/незаполненных абзацев

1. Удаление абзацев без текста

Пустые абзацы — это распространённый побочный эффект генерации или конвертации документов. Следующий пример удаляет действительно пустые абзацы, сохраняя не текстовый контент, такой как изображения или поля.

from spire.doc import *

from spire.doc.common import *

# Загрузка документа Word

doc = Document()

doc.LoadFromFile("Input.docx")

# Получение специфического раздела

section = doc.Sections[0]

# Перебор с конца вперед

for i in range(section.Paragraphs.Count - 1, -1, -1):

paragraph = section.Paragraphs[i]

has_non_text_content = False

for j in range(paragraph.ChildObjects.Count):

obj = paragraph.ChildObjects[j]

if obj.DocumentObjectType != DocumentObjectType.TextRange:

has_non_text_content = True

break

if not has_non_text_content and (paragraph.Text == "" or paragraph.Text.isspace()):

section.Paragraphs.RemoveAt(i)

# Сохранение документа

doc.SaveToFile("RemoveBlankParagraphs.docx", FileFormat.Docx2019)

doc.Dispose()

2. Очистка лишних разрывов строки

Лишние разрывы строки могут выглядеть неаккуратно в документе. Вы можете удалить их, просканировав дочерние объекты абзаца.

from spire.doc import *

from spire.doc.common import *

# Загрузка документа Word

document = Document()

document.LoadFromFile("Input.docx")

# Получение первого раздела

section = document.Sections[0]

# Перебор всех абзацев

for j in range(section.Paragraphs.Count):

paragraph = section.Paragraphs[j]

for i in range(paragraph.ChildObjects.Count - 1, -1, -1):

obj = paragraph.ChildObjects[i]

if obj.DocumentObjectType == DocumentObjectType.Break:

try:

if hasattr(obj, 'BreakType') and obj.BreakType == BreakType.LineBreak:

paragraph.ChildObjects.RemoveAt(i)

except:

paragraph.ChildObjects.RemoveAt(i)

# Сохранение документа

document.SaveToFile("RemoveLineBreaks.docx", FileFormat.Docx)

document.Dispose()

Заключительные мысли

Добавление и удаление абзацев программно — это основное умение при работе с документами Word в Python.

С помощью Spire.Doc для Python вы можете точно контролировать содержание, положение, форматирование и логику очистки абзацев.

Будь то генерация отчетов, обработка шаблонов или очистка конвертированных документов, эти техники помогут вам автоматически создавать чистые и профессиональные файлы Word.

Предварительные требования

Перед тем, как погрузиться в код, убедитесь, что у вас есть следующее:

1. Установленный Python на вашем компьютере.

2. Библиотека Free Spire.Doc для Python . Вы можете установить её с помощью pip:
   bash

   pip install spire.doc.free

3. Текстовый редактор или IDE для написания кода на Python.

4. Примерные файлы DOCX и TXT для тестирования.

Конвертация DOCX в TXT на Python

Следующий код читает документ Word (Sample.docx) и сохраняет его содержимое в качестве простого текстового файла (DocxToTxt.txt).

from spire.doc import *

from spire.doc.common import *

# Создать объект Document

document = Document()

# Загрузить файл docx

document.LoadFromFile("C:/Users/Administrator/Desktop/Sample.docx")

# Сохранить файл docx в формате txt

document.SaveToFile("DocxToTxt.txt", FileFormat.Txt)

document.Close()

В этом коде:

• Создаётся объект Document для работы.

• Метод LoadFromFile используется для загрузки файла DOCX из указанного пути.

• Документ сохраняется в формате TXT с использованием метода SaveToFile.

Конвертация TXT в DOCX на Python

В зависимости от того, хотите ли вы применить форматирование программно, вы можете конвертировать текстовый файл (TXT) в файл DOCX, используя один из следующих двух методов:

Метод 1: Простое решение (без форматирования)

Этот базовый подход создаёт документ Word с содержимым TXT, но без специального форматирования.

from spire.doc import *

from spire.doc.common import *

# Создать объект Document

document = Document()

# Загрузить файл txt

document.LoadFromFile("C:/Users/Administrator/Desktop/Sample.txt")

# Сохранить файл txt как файл docx

document.SaveToFile("TxtToDocx.docx", FileFormat.Docx2016)

document.Close()

В этом коде:

• Создаётся объект Document.

• Файл TXT загружается с помощью метода LoadFromFile.

• Документ затем сохраняется в формате DOCX.

Метод 2: Расширенное решение (с форматированием)

Для более профессиональных результатов вы можете применить форматирование во время конвертации:

from spire.doc import *

# Функция для форматирования textRange

defformat_textRange(textRange, font_name, font_size, color):

# Установить свойства шрифта

textRange.CharacterFormat.FontName = font_name

textRange.CharacterFormat.FontSize = font_size

textRange.CharacterFormat.TextColor = color

# Чтение файла TXT и разделение на абзацы

withopen("C:/Users/Administrator/Desktop/Sample.txt", "r") as file:

content = file.read()

# Разделение содержимого на абзацы с помощью пустых строк

paragraphs = content.split('\n\n')

# Создать новый объект Document

document = Document()

section = document.AddSection()

section.PageSetup.Margins.All = 40

# Обработка каждого абзаца и добавление его в документ

for idx, para inenumerate(paragraphs):

# Удалить пробелы и пропустить пустые абзацы

para = para.strip()

ifnot para:

continue

# Создать новый абзац в документе

new_paragraph = section.AddParagraph()

text_range = new_paragraph.AppendText(para)

# Применить разные форматы в зависимости от индекса абзаца

if idx % 2 == 0: # Пример: четные абзацы

format_textRange(text_range, font_name="Times New Roman", font_size=18, color=Color.get_Red())

else: # Нечётные абзацы

format_textRange(text_range, font_name="Times New Roman", font_size=13, color=Color.get_Blue())

# Добавить пустой абзац после каждого форматированного абзаца

section.AddParagraph()

# Сохранить документ как DOCX

document.SaveToFile("TxtToFormattedDocx.docx", FileFormat.Docx2016)

document.Dispose()

В этом коде:

• Определена функция format_textRange для применения определённых свойств шрифта (название шрифта, размер и цвет) к объекту TextRange.

• Файл TXT открывается, его содержимое читается и разделяется на абзацы на основе пустых строк.

• Создаётся объект Document, и добавляется секция с указанными полями.

• Каждый абзац обрабатывается, форматируется и добавляется в документ. Чётные абзацы оформляются красным цветом и большим размером, а нечётные — синим и меньшим размером.

• Пустой абзац создаётся после каждого форматированного абзаца для улучшения читаемости.

• Наконец, документ сохраняется как файл DOCX.

Заключение

В этом посте блога мы продемонстрировали, как конвертировать DOCX в TXT для извлечения содержимого обычного текста, что делает работу с текстовыми данными более удобной без отвлекающего форматирования.

Кроме того, мы показали, как конвертировать TXT в DOCX, предлагая как базовые, так и расширенные варианты форматирования для улучшения общего представления вашего текста.

В этом руководстве вы узнаете, как:

• Вставить страницы в любое место в PDF

• Удалить конкретную страницу

• Автоматически обнаруживать и удалять пустые страницы

Установка необходимой библиотеки

Чтобы работать с PDF-файлами, установите Spire.PDF для Python :

pip install spire.pdf

Примечание: Для работы с PDF с менее чем 10 страницами доступна бесплатная версия, которую также можно установить через PyPI :

pip install spire.pdf.free

Затем импортируйте необходимые модули в ваш скрипт:

from spire.pdf.common

import * from spire.pdf import *

После установки вы готовы загружать, изменять и сохранять PDF-документы через Python .

Добавление новых страниц в PDF (в начале, в середине или в конце)

Добавление страниц — это обычная необходимость при подготовке отчетов , вставке титульной страницы или добавлении пустых страниц для заметок . Spire.PDF позволяет вам вставлять пустые страницы в любое место: в начале, середине или в конце документа.

Пример кода: Вставка страниц в конкретные позиции

from spire.pdf.common import *

from spire.pdf import *

# Создание объекта PdfDocument

doc = PdfDocument()

# Загрузка PDF-документа

doc.LoadFromFile("Input.pdf")

# Вставка пустой страницы в начале как первой страницы

doc.Pages.Insert(0)

# Вставка пустой страницы как второй страницы

doc.Pages.Insert(1)

# Добавление пустой страницы в конец документа

doc.Pages.Add(PdfPageSize.A4(), PdfMargins(0.0, 0.0))

# Сохранение результирующего документа

doc.SaveToFile("AddPages.pdf")

doc.Close()

Как это работает

Pages.Insert(index) вставляет пустую страницу в указанную позицию.

Pages.Add(size, margins) добавляет пустую страницу в конец PDF.

Индексы страниц начинаются с нуля:

• 0 → первая страница

• 1 → вторая страница и т.д.

Удаление конкретной страницы из PDF

Если ваш PDF содержит устаревший контент , образцы страниц или страницы, вставленные в процессе обработки, вы можете удалить их, используя их индекс.

Пример кода: Удаление страницы

from spire.pdf.common import *

from spire.pdf import *

# Создание объекта PdfDocument

doc = PdfDocument()

# Загрузка PDF-документа

doc.LoadFromFile("Input.pdf")

# Удаление второй страницы документа

doc.Pages.RemoveAt(1)

# Сохранение результирующего документа

doc.SaveToFile("DeletePage.pdf")

doc.Close()

Совет: Если вам нужно удалить несколько страниц, удаляйте их в порядке убывания, чтобы избежать смещения индексов.

Обнаружение и удаление пустых страниц в PDF

Пустые страницы часто появляются во время сканирования или пакетной конверсии . Spire.PDF предоставляет два полезных подхода:

• Используйте page.IsBlank() — обнаруживает полностью пустые страницы.

• Отрендерите страницу в изображение и проверьте данные пикселей — обнаруживает визуально пустые страницы, которые технически содержат невидимые объекты.

Ниже представлена комбинированная реализация.

Пример кода: Автоматическое удаление пустых страниц

import io

from spire.pdf import PdfDocument

from PIL import Image

# Пользовательская функция: Проверка, является ли изображение пустым (все пиксели белые)

defis_blank_image(image):

# Конвертирование в RGB-режим и получение пикселей

img = image.convert("RGB")

# Получение всех точек пикселей и проверка, все ли они белые

white_pixel = (255, 255, 255)

returnall(pixel == white_pixel for pixel in img.getdata())

# Загрузка PDF-документа

doc = PdfDocument()

doc.LoadFromFile("Input.pdf")

# Проход по каждой странице в обратном порядке, чтобы избежать проблем с индексами при удалении

for i inrange(doc.Pages.Count - 1, -1, -1):

page = doc.Pages[i]

# Проверка, является ли текущая страница полностью пустой

if page.IsBlank():

# Если она полностью пустая, удалить её из документа

doc.Pages.RemoveAt(i)

else:

# Конвертировать текущую страницу в изображение

with doc.SaveAsImage(i) as image_data:

image_bytes = image_data.ToArray()

pil_image = Image.open(io.BytesIO(image_bytes))

# Проверить, является ли изображение пустым

if is_blank_image(pil_image):

# Если это пустое изображение, удалить соответствующую страницу из документа

doc.Pages.RemoveAt(i)

# Сохранить результирующий PDF

doc.SaveToFile("RemoveBlankPages.pdf")

doc.Close()

Почему этот метод работает

• IsBlank() обнаруживает истинные пустые страницы.

• Рендеринг в изображение помогает обнаружить страницы, содержащие:

  • невидимый текст

  • пустые слои рисования

  • лишние объекты

• Обработка в обратном порядке обеспечивает безопасное удаление без конфликтов индексов.

Резюме

Управление страницами PDF с помощью Python становится простым благодаря Spire.PDF для Python . В этом учебном руководстве вы узнали, как:

• Вставить пустые страницы в любое место в PDF

• Удалить конкретную страницу по индексу

• Обнаружить пустые или визуально пустые страницы и удалить их

Эти техники являются необходимыми для создания автоматизированных рабочих процессов, очистки PDF-файлов и подготовки документов для печати или архивации .

Охота за данными

Вообще данные очень важны. Иначе получается что мусор на входе просто перетекает в мусор на выходе.

Для отбора бумаг я руководствовался следующей логикой: сначала ищу общий список всех акций, торгуемых на Московской бирже и делаю выборку — в неё входят только те, у которых есть фьючерсы. Дальше оставляю только тикеры акций, которые имеют фьючерсы.

Потом беру два API — одно от брокера, а второе API, предоставляющее информацию по всем юридическим лицам России — это API DaData. У каждой акции ведь есть ИНН компании. Используя оба этих API — оба бесплатных кстати — обогащаю каждую запись дополнительными сведениями.

После этого скачиваю котировки акций с Московской биржи. И загружаю три индекса: IMOEX, IMOEX2, RTSI, RGBI.

Для этого скачиваю минутки — они готовые и сразу в архивах через API брокера — можно очень быстро скачать полностью все бумаги.

С индексами сложнее. Брокерский API не отдавал историю по IMOEX и RGBI, видимо, из‑за ограничений лицензии биржи (привет, MOEX AlgoPack). Пришлось писать парсер для прямого API Московской биржи (ISS MOEX) — скорость гораздо медленнее, но я скачиваю тоже минутки. Скачать все доступные минутки с IMOEX, IMOEX2, RTSI, RGBI занимает около 20 минут.

Работа со временем

Я начал работу с того, что выделил три интересующих меня таймфрейма. 15 минут, 1 час и 1 день, основной 1 час.

Написал скрипт который преобразует архивы с минутками от API брокера в файлы с котировками нужных таймфреймов.

Итерация 1,3,4: временнЫе бары (обычные)

Сначала я просто агрегировал минутки в 15 минут, 1 час и 1 день через скрипт, но рынок неравномерен. Возможно для ML‑модели временные свечи могут быть очень шумные, так как содержат разное количество информации.

Итерация 2: свечи рублевого объема

Потом я временно перешёл к событийным барам. Новая свеча формируется не по времени, а когда проходит фиксированный объем в рублях, например, 50 млн руб., но для разных акций этот порог разный, потому что рассчитывается динамически. Разделил их по условным классам:

• A: порог выше.

• B: порог ниже.

• C: отбрасываются.

Учитель для робота. Разметка

Как объяснить машине, что такое «хорошая сделка»? Рынок может продолжать рост, но перед этим выбить по стопу.

Для установки цели я использовал тройной барьер по де Прадо:

• Верхний барьер (Take Profit): Цена + N×ATR

• Нижний барьер (Stop Loss): Цена - M×ATR

• Вертикальный барьер (Time Limit): Если прошло 100 баров, а цена никуда не пришла — выходим.

Скрипт расставляет метки:

Метка 1: сработал Take Profit.

Метка 0: вышло время, выход в ноль (минус комиссия).

Метка -1: сработал Stop Loss, потеря денег.

Глаза модели: инженерия признаков

Я использовал CatBoost (Categorical Boosting) это библиотека машинного обучения с открытым исходным кодом от «Яндекса», основанная на градиентном бустинге над деревьями решений. Я не подаю сырые цены (OHLCV: Open (цена открытия), High (максимальная цена), Low (минимальная цена), Close (цена закрытия) и Volume (объем торгов)), так как они не стационарны, потому что цена 100 ₽ в 2010 и 100 ₽ в 2024 — это разные сущности, а использую только относительные величины.

Я старался подавать именно Log Returns (логарифмические доходности), потому что Log returns аддитивны и симметричны: падение на 50% и рост на 100% имеют одинаковый масштаб в логарифмах.

Сами признаки, в разных итерациях по разному было:

• Качество импульса: не просто «цена выросла», а как она выросла. Использую автокорреляцию и эффективность тренда.

• Микроструктура: что происходило внутри этой свечи рублевого объема? Какая концентрация объема?

• Межрыночные связи: как актив ведет себя относительно индекса Мосбиржи и индекса гособлигаций RGBI.

• Классика: RSI (нормализованный через Z‑score), расстояния до скользящих средних.

Моделирование

Для того чтобы заниматься ML все инструменты у меня были: компьютер 32 Гб оперативки с видеокартой GPU 16 Гб, Python как основной язык, Docker чтобы не зависеть от капризов драйверов, Numba для ускорения расчётов, Linux для администрирования Docker контейнеров.

Для моей задачи как будто даже избыточная конфигурация — потому что все расчёты протекают очень быстро.

Делаю это из под Ubuntu, хотя всю разработку веду из‑под Windows.

Ещё использую измененную версию пошагового тестирования (Walk‑Forward Optimization), которая используется в трейдинге для поиска и проверки торговых стратегий, но добавляя «очистку» (purging) данных: она избегает перекрытия обучающих и тестовых периодов, чтобы предотвратить подгонку стратегии под шум истории, делая результаты более реалистичными и устойчивыми к будущим изменениям рынка.

Результаты и боль

При просмотре результатов магия машинного обучения быстро испаряется.

Я учитываю комиссии:

Каждая сделка автоматически теряет 0,06% или 0,12% на круг для акций. Кажется мелочью, но при сотнях сделок именно эти десятые доли процента превращают модель в убыточную. Модели нужно предсказывать движения >0,3-0,5%, чтобы быть в плюсе.

По качеству прогнозов мой ML стабильно показывает AUC 0,54–0,55. Формально это лучше случайного угадывания (0.50), но до Грааля тут очень далеко. Почему? Даже небольшая ошибка в вероятностях, умноженная на комиссии и шум, быстро съедает весь перевес.

Чтобы понимать, что именно я меряю, важно разобраться в трёх ключевых метриках.

AUC (Area Under the Curve) — это мера того, насколько хорошо модель умеет отличать «хорошие» сделки от «плохих». Если AUC = 0.5, модель — это монетка. Если 0.55 — она угадывает чуть чаще, чем случайность. В вакууме это звучит неплохо, но в трейдинге такого преимущества часто недостаточно, чтобы перекрыть издержки.

Fold — это один из прогонов в Walk‑Forward Optimization. История рынка режется на последовательные отрезки: на одном модель учится, на следующем тестируется. Каждый такой отрезок — отдельный fold. Это имитация реальности: мы всегда торгуем на будущем, которого модель «не видела». Поэтому один fold может быть прибыльным, а следующий — убыточным, просто потому что режим рынка поменялся.

Precision (точность) — это ответ на вопрос: «если модель сказала „покупай“, как часто она оказывается права?». Это критично для торговли, потому что даже модель с неплохим AUC может генерировать кучу ложных сигналов, которые будут съедать депозит комиссиями и стоп‑лоссами.

И вот здесь появляется самая болезненная часть. На одном из фолдов я получаю красивую Equity Curve, где капитал растёт.

На другом — та же самая модель превращает счёт в “пилу”: заработали на тренде, потом долго и мучительно всё отдали на боковике.

Когда я писал этот текст мне в голову пришло, а что если модель обучать на максимизацию финансового показателя, такого как Коэффициент Шарпа?

Заключение: вопросы к залу

Я проделал некоторую работу, но результаты пока выглядят не особо приятными.

Мои гипотезы:

1. Ошибка в методологии?

2. Мало данных?

3. Предсказывать не направление, а волатильность?

4. Перейти на более высокие таймфреймы (4H, 1D), где комиссия съедает меньшую долю движения?

5. Нужно использовать данные из стакана (Order Book)? С получением истории стакана для частного лица большие проблемы. Бесплатно доступен лишь очень ограниченный набор инструментов.

6. CatBoost слишком прост, нужны трансформеры?

Я занимаюсь Machine Learning (ML), когда система учится на таблицах. Но есть ведь ещё Deep learning (глубокое обучение) когда идёт анализ больших объёмов данных и выявления сложных закономерностей автономно. Но боюсь для моей задачи слишком мало данных. Наверное только на истории стаканов OrderBook будет работать.

Приглашаю в комментарии: кто реально запускал Machine Learning на Мосбирже в плюс? Или просто опытных людей. Где я свернул не туда?

Не сдерживайте себя — напишите комментарий — буду рад любой критике в комментариях.

Автор: Михаил Шардин
🔗 Моя онлайн‑визитка
📢 Telegram «Умный Дом Инвестора»

13 января 2026 г.