python批量读取word文档并整理关键信息到excel表格 使用python批量读取word文档并整理关键信息到excel表格的实例
sheldonxxd 人气:0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。
加载全部内容