使用python批量读取word文档并整理关键信息到excel表格的实例


						目标

最近实验室里成立了一个计算机兴趣小组

倡议大家多把自己解决问题的经验记录并分享

就像在CSDN写博客一样

虽然刚刚起步

但考虑到后面此类经验记录的资料会越来越多

所以一开始就要做好模板设计（如下所示）



方便后面建立电子数据库

从而使得其他人可以迅速地搜索到相关记录

据说“人生苦短，我用python”

所以决定用python从docx文档中提取文件头的信息

然后把信息更新到一个xls电子表格中，像下面这样（直接po结果好了）



而且点击文件路径可以直接打开对应的文件（含超链接）



代码实现

1. 采集docx里面文件头信息





# -*- coding:utf-8 -*-

 

# 此程序可扫描Log中的docx文件并返回基本信息

 

import docx

from docx import Document

 

test_d = '../log/sublime搭建python的集成开发环境.docx'

 

def docxInfo(addr):

 document = Document(addr)

 

 info = {'title':[],

 'keywords':[],

 'author':[],

 'date':[],

 'question':[]}

 

 lines = [0 for i in range(len(document.paragraphs))]

 k = 0

 for paragraph in document.paragraphs:

 lines[k] = paragraph.text

 k = k+1

 

 index = [0 for i in range(5)]

 k = 0

 for line in lines:

 if line.startswith('标题'):

 index[0] = k

 if line.startswith('关键词'):

 index[1] = k

 if line.startswith('作者'):

 index[2] = k

 if line.startswith('日期'):

 index[3] = k

 if line.startswith('问题描述'):

 index[4] = k

 k = k+1

 

 info['title'] = lines[index[0]+1]

 

 keywords = []

 for line in lines[index[1]+1:index[2]]:

 keywords.append(line)

 info['keywords'] = keywords

 

 info['author'] = lines[index[2]+1]

 

 info['date'] = lines[index[3]+1]

 

 info['question'] = lines[index[4]+1]

 

 return info

 

if __name__ == '__main__':

 print(docxInfo(test_d))



2. 遍历log文件夹，进行信息更新





# -*- coding:utf-8 -*-

 

# 此程序可以批量扫描log中的文件，如果碰到docx文档，

# 则调用readfile()提取文档信息，并将信息保存到digger

# 日志列表.xls之中，方便后期快速检索

 

import os,datetime

import time

import xlrd

from xlrd import xldate_as_tuple

import xlwt

from readfile import docxInfo

from xlutils.copy import copy

 

# 打开日志列表读取最近一条记录的更新日期

memo_d = '../log/digger日志列表.xls'

memo = xlrd.open_workbook(memo_d) #读取excel

sheet0 = memo.sheet_by_index(0) #读取第1张表

memo_date = sheet0.col_values(5) #读取第5列

memo_n = len(memo_date) #去掉标题

if memo_n>0:

 xlsx_date = memo_date[memo_n-1] #读取最后一条记录的日期,

 latest_date = sheet0.cell_value(memo_n-1,5)

 # 返回时间戳

 

# 新建一个xlsx

memo_new = copy(memo)

sheet1 = memo_new.get_sheet(0)

 

# 重建超链接

hyperlinks = sheet0.col_values(6) # xlrd读取的也是text,造成超链接丢失

k = 1

n_hyperlink = len(hyperlinks)

for k in range(n_hyperlink):

 link = 'HYPERLINK("%s";"%s")' %(hyperlinks[k],hyperlinks[k])

 sheet1.write(k,6,xlwt.Formula(link))

 k = k+1

 

 

# 判断文件后缀

def endWith(s,*endstring):

 array = map(s.endswith,endstring)

 if True in array:

  return True

 else:

  return False

 

# 遍历log文件夹并进行查询

log_d = '../log'

logFiles = os.listdir(log_d)

for file in logFiles:

 if endWith(file,'.docx'):

 timestamp = os.path.getmtime(log_d+'/'+file)

 if timestamp>latest_date:

 info = docxInfo(log_d+'/'+file)

 sheet1.write(memo_n,0,info['title'])

 keywords_text = ','.join(info['keywords'])

 sheet1.write(memo_n,1,keywords_text)

 sheet1.write(memo_n,2,info['author'])

 sheet1.write(memo_n,3,info['date'])

 sheet1.write(memo_n,4,info['question'])

 #获取当前时间

 time_now = time.time() #浮点值，精确到毫秒

 sheet1.write(memo_n,5, time_now)

 link = 'HYPERLINK("%s";"%s")' %(file,file)

 sheet1.write(memo_n,6,xlwt.Formula(link))

 memo_n = memo_n+1

os.remove(memo_d)

memo_new.save(memo_d)

print('memo was updated!')



其实还有一些操作电子表格更好的模块，比如panda、xlsxwriter、openpyxl等。不过上述代码已经基本能实现功能，而且科研狗毕竟没那么多时间写代码做调试，所以后面有空再update吧！

致谢

在此过程中大量借鉴了CSDN论坛中各位大神的各种经验！！！

以上这篇使用python批量读取word文档并整理关键信息到excel表格的实例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持中文源码网。