| python提取word内容并写入excle | 您所在的位置：网站首页 › word表格如何保存到表格部件库中 › python提取word内容并写入excle |
python提取word内容并写入excle
|
大概是这样，一个文件夹下有多份会议通知信息（本文以 7 份文件为例）
每一份通知打开格式基本类似，如下所示 👇 现在需要将每份会议文档中的 学习时间、学习内容、学习形式、主持人 四项关键信息提取出来，整理到 Excel 表格中：
在他真实需求中，会议通知四年积累下来有快 1000 份（四年开了这么多次会也是很厉害...），用人力挨个打开文件并录到 Excel 中工作量实在太大。 好家伙，这种重复的无聊工作， 不就是一份非常适合交给 Python 的自动化工作吗？我不允许我的粉丝还不会！ 下面我们来看看如何用Python解决这个问题，主要将涉及： openpyxl 写入 Excel 文件 python-docx 读取 Word 文件 glob 批量获取文件路径 为了简化上面的需求，本文中需要获取的会议通知文件一共 7 个，分别命名为 会议通知1.docx会议通知2.docx... 会议通知7.docx，存放在 Notice 文件夹下。输出的目标 Excel 文件命名为 Meeting_temp.xlsx 基本逻辑写代码之前都先明确完整的问题需要分为几个小步骤实现。从需求中我们大概可以将代码分为以下几步： “获取会议通知 Notice 文件夹下的所有文件； 解析每一份 Word 文件，获取需要的四个信息，输出到 Excel 中； 保存 Excel 文件 ”有了逻辑就有了写代码的思路了。第 1 步可以由 glob 库完成，后面两步就是操作 Word 的 python-docx 库和操作 Excel 的 openpyxl 库的交互协作了。 这两个库我们都有说过，如果你不熟悉，一定要先阅读下面的文章！ 👉python-docx操作Word详解 👉openpyxl操作Excel详解 代码实现首先导入需要的库： from docx import Document from openpyxl import load_workbook import glob将模板 Excel 读取进程序： path = r'C:\Users\xxx' # 路径为会议通知文件夹和 Excel 模板所在的位置，可按实际情况更改 workbook = load_workbook(path + r'\Meeting_temp.xlsx') sheet = workbook.active写任何批处理的代码之前都建议先写一下单次操作的代码，因此我们先完成对 会议通知 1.docx文件的解析，确保无误。现在对于文档的结构和关键信息的位置尚不明确，可以先将 Word 以段落Paragraph 为单位输出观察： wordfile = Document(path + r'\Notice\会议通知 1.docx') for paragraph in wordfile.paragraphs: print(paragraph)
文件的文字排布脉络比较清晰，基本是一句话对应一个段落，而需要的信息可以简单通过判断每句话（每段话）前几个字而明确： for paragraph in wordfile.paragraphs: if paragraph.text[0:5] == '学习时间：': study_time = paragraph.text[5:] if paragraph.text[0:4] == '主持人：': host = paragraph.text[4:] if paragraph.text[0:5] == '学习形式：': study_type = paragraph.text[5:]对于学习内容的获取比较特殊，不像其他三个信息，都在一句话中，且关键字就为前几个字：
可以看到，“学习内容” 四个字和真正包含的内容分散在不同的句子中. 这里简单用一个策略： “建立一个空列表存放，然后遍历每一段判断，如果一个字符为数字且第二个字符为中文顿号 “、” 就获取存放到列表中。最后把列表中的元素重新组合成一个长字符串即可： ” content_lst = [] for paragraph in wordfile.paragraphs: if paragraph.text[0:5] == '学习时间：': study_time = paragraph.text[5:] if paragraph.text[0:4] == '主持人：': host = paragraph.text[4:] if paragraph.text[0:5] == '学习形式：': study_type = paragraph.text[5:] if len(paragraph.text) >= 2: if paragraph.text[0].isdigit() and paragraph.text[1] == '、': content_lst.append(paragraph.text) content = ' '.join(content_lst)完成了解析 Word 文件之后，就需要把内容输出的 Excel 文件中了。 简单来说，就是将上面代码获取到的几个元素组合成一个列表，通过 sheet.append(list) 的方法写入 Excel 文件中： number = 0 # 全局中设置一个变量用于计数，做为序号输出 wordfile = Document(path + r'\Notice\会议通知 1.docx') content_lst = [] for paragraph in wordfile.paragraphs: if paragraph.text[0:5] == '学习时间：': study_time = paragraph.text[5:] if paragraph.text[0:4] == '主持人：': host = paragraph.text[4:] if paragraph.text[0:5] == '学习形式：': study_type = paragraph.text[5:] if len(paragraph.text) >= 2: if paragraph.text[0].isdigit() and paragraph.text[1] == '、': content_lst.append(paragraph.text) content = ' '.join(content_lst) number += 1 sheet.append([number, study_time, content, study_type, host])单个文件解析完，用 glob 改完获取文件夹下全部文件，建立循环逐个解析就能完成本需求，当然最后记得保存 Excel 文件。 完整代码如下👇 from docx import Document from openpyxl import load_workbook import glob path = r'C:\Users\xxx' workbook = load_workbook(path + r'\Meeting_temp.xlsx') sheet = workbook.active number = 0 for file in glob.glob(path + r'\Notice\*.docx'): wordfile = Document(file) content_lst = [] for paragraph in wordfile.paragraphs: if paragraph.text[0:5] == '学习时间：': study_time = paragraph.text[5:] if paragraph.text[0:4] == '主持人：': host = paragraph.text[4:] if paragraph.text[0:5] == '学习形式：': study_type = paragraph.text[5:] if len(paragraph.text) >= 2: if paragraph.text[0].isdigit() and paragraph.text[1] == '、': content_lst.append(paragraph.text) content = ' '.join(content_lst) number += 1 sheet.append([number, study_time, content, study_type, host]) workbook.save(path + r'\Meeting_notice.xlsx')
核心也不过三十行代码，总共不过三秒就搞定了！ |
【本文地址】