Python自動化辦公:批次提取Word,一鍵寫入Excel
今天文章介紹一個實戰案例,與自動化辦公相關;案例思想是源於前兩天幫讀者做了一個 demo ,需求大致將一上百個 word 中表格內容提取出來(所有word 中表格樣式一樣),把提取到的內容自動存入 Excel 中
word 中表格形式如下
目前含有數個上面形式的 word 文件需要整理,目標是利用 python 自動生成下面形式 excel 表格
正式案例講解之前,先看一下轉換效果,指令碼先把指定資料夾下的 doc 檔案轉化為 docx ,隨後自動生成一個 excel 表格,表格內中即為所有 word 中的內容
涉及的庫
本案例中用到的 Python 庫有以下幾個
python-docxpandasospywin32
doc 轉化為 docx
本案例中 word 中表格內容的提取用到的是 python-docx 庫
word 文件有時是以 doc 型別儲存的, python-docx 只能處理 docx 檔案型別,在提取表格內容之前,需進行一次檔案型別格式轉換:
把 doc 批次轉化為 docx
;
doc 轉 docx 最簡單的方式 透過Office 中 word 元件開啟 doc 檔案,然後手動儲存為 docx 檔案,對於單個文件這個方法還行,文件數量達到上百個的話還用這種方法就有點煩了,
這裡介紹一個 python 庫
pywin32
來幫助我們解決這個問題,pywin32 作為擴充套件模組, 裡面封裝了大量 Windows API 函式,例如呼叫 Office 等應用元件、刪除指定檔案、獲取滑鼠座標等等
利用 pywin32 控制Office 中 Word 元件自動完成
開啟、儲存
操作,把所有 doc 檔案型別轉化為 docx 檔案型別,步驟分為以下三步:
1,建立一個 word 元件
from win32com import client as wcword = wc。Dispatch(‘Word。Application’)
2,開啟 word 檔案
doc = word。Documents。Open(path)
3,儲存關閉
doc。SaveAs(save_path,12, False, “”, True, “”, False, False, False, False)doc。Close()
完整程式碼
path_list = os。listdir(path) doc_list = [os。path。join(path,str(i)) for i in path_list if str(i)。endswith(‘doc’)] word = wc。Dispatch(‘Word。Application’) print(doc_list) for path in doc_list: print(path) save_path = str(path)。replace(‘doc’,‘docx’) doc = word。Documents。Open(path) doc。SaveAs(save_path,12, False, “”, True, “”, False, False, False, False) doc。Close() print(‘{} Save sucessfully ’。format(save_path)) word。Quit()
docx 庫提取單個表格內容
在批次操作之前,首先需要搞定單個表格中的內容,只要我們搞定了單個 word,剩下的加一個遞迴即可
用 docx 庫對 word 中表格內容提取,主要用到 Table、rows、cells 等物件
Table 表示表格,rows 表示表格中行列表,以迭代器形式存在;cells 表示單元格列表,也是以迭代器形式
操作之前,需瞭解下面幾個基礎函式
透過 Document 函式讀取檔案路徑,返回一個 Document 物件
Document。tables 可返回 word 中的表格列表;
table。rows 返回表格中的行列表;
row。cells 返回該行中含有的單元格列表;
cell。text 返回該單元格中文字資訊
瞭解了上面內容之後,接下來的操作思路就比較清晰了;word 表格中文字資訊可以透過兩個 for 迴圈來完成:第一個 for 迴圈獲取表格中所有行物件,第二個 for 迴圈定位每一行的單元格,藉助 cell。text 獲取單元格文字內容;
用程式碼試一下這個思路是否可行
document = docx。Document(doc_path) for table in document。tables: for row_index,row in enumerate(table。rows): for col_index,cell in enumerate(row。cells): print(‘ pos index is ({},{})’。format(row_index,col_index)) print(‘cell text is {}’。format(cell。text))
會發現,最終提取到的內容是有重複的,,,
出現上面原因,是由於單元格合併問題,例如下面表格的單元格
是
合併了
(1,1)->(1,5)
,docx 庫在處理這類
合併單元格
時並沒有當成一個,而是以單個形式進行處理,因此 for 迭代時
(1,1)->(1,5)
單元格返回了五個,每一個單元格文字資訊都返回
是
面對以上文字重複問題,需要新增一個去重機制,
姓名、性別、年齡。。。學歷學位
等欄位作為列名 col_keys,後面
王五、女、37、。。。 學士
等作為col_values,提取時設定一個索引,偶數為 col_keys, 奇數為 col_vaues ;
程式碼重構後如下:
document = docx。Document(doc_path) col_keys = [] # 獲取列名 col_values = [] # 獲取列值 index_num = 0 # 新增一個去重機制 fore_str = ‘’ for table in document。tables: for row_index,row in enumerate(table。rows): for col_index,cell in enumerate(row。cells): if fore_str != cell。text: if index_num % 2==0: col_keys。append(cell。text) else: col_values。append(cell。text) fore_str = cell。text index_num +=1 print(f‘col keys is {col_keys}’) print(f‘col values is {col_values}’)
最終提取後的效果如下
批次 word 提取,儲存至 csv 檔案中
能夠處理單個 word 檔案之後,一個遞迴即可提取到所有 word 文字表格內容,最後利用 pandas 把獲取到的資料寫入到 csv 檔案即可!
def GetData_frompath(doc_path): document = docx。Document(doc_path) col_keys = [] # 獲取列名 col_values = [] # 獲取列值 index_num = 0 # 新增一個去重機制 fore_str = ‘’ for table in document。tables: for row_index,row in enumerate(table。rows): for col_index,cell in enumerate(row。cells): if fore_str != cell。text: if index_num % 2==0: col_keys。append(cell。text) else: col_values。append(cell。text) fore_str = cell。text index_num +=1 return col_keys,col_valuespd_data = []for index,single_path in enumerate(wordlist_path): col_names,col_values = GetData_frompath(single_path) if index == 0: pd_data。append(col_names) pd_data。append(col_values) else: pd_data。append(col_values)df = pd。DataFrame(pd_data)df。to_csv(word_paths+‘/result。csv’, encoding=‘utf_8_sig’,index=False)
證件號、身份證號格式
開啟生成的 csv 檔案會發現
聯絡方式、身份證號
兩欄的數字格式是以數值儲存,不是我們想要的型別,想要完整展示,需儲存之前把數值轉化為文字
解決方法,找到所在的單元格,前面元素前面加一個 ’\t‘ 製表符即可
col_values[7] = ‘\t’+col_values[7]col_values[8] = ‘\t’+col_values[8]
小結
本案例中只用到了 docx 庫中的一部分方法,主要涉及到了 word 中 Table 的基本操作,對於一些從事文職工作的同學來說日常工作中可能會遇到上面相似問題,因此特意分享在這裡,希望能夠對大家有所幫助
好了,以上就是本篇文章的全部內容了,最後感謝大家的閱讀!
作者:zeroina
原文連結:https://juejin。cn/post/6945602322907004965