> 文档中心 > python读取word详解【from docx import Document】

python读取word详解【from docx import Document】

python读取word详解【from docx import Document】


目录

python读取word详解【from docx import Document】

前言

环境

示例字符串

下载环境

导入环境

Document读取word

行拆分

信息分析

数据分组

csv文件写入

PyCharm打开效果

Excel打开效果:


 

前言

        我们平时工作的时候会有很多的时候会遇到需要将word里面的有些杂乱的数据格式化到Excel中去,但是如果手动操作那真是【超级无语】,很崩溃,几百页的word让你慢慢复制粘贴,会死掉的。所以我们需要使用程序来完成,使用python先通过【docx】的包将word中的文字逐行读取出来,再根据行的数据格式进行数据清洗,清洗成对应的列表数据,批量写入Excel即可,这里我写入的是【CSV】文件,也可以通过Excel直接打开的。

环境

系统:win10

工具:PyCharm Community Edition 2021.3.1

解析目标类型:*.docx文件

输出目标类型:*.csv文件

需要用包:pip install docx

使用技巧:字符串处理

示例字符串

1、( A )不可存放于码头普通仓库内。

A、爆炸品          B、棉料              C、煤粉

2、( A )负责核发危险化学品及其包装物、容器生产企业的工业产品生产许可证,并依法对其产品质量实施监督,负责对进出口危险化学品及其包装实施检验。

A、质量监督检验检疫部门     B、安全生产监督局      C、公安部门

3、( A )告诉我们,构成管理系统的各要素是运动和发展的,它们相互联系又相互制约。在生产经营单位建立、健全安全生产责任制是对这一原则的应用。

A、动力相关性原则      B、动力原则        C、人本原理

4、( A )即根据演练工作需要,采取必要安全防护措施,确保参演、观摩等人员以及生产运行系统安全。

A、演练工作安全保障            B、安全防护措施         C、系统安全

5、( A )建立健全应急物资储备保障制度,完善重要应急物资的监管、生产、储备、调拨和紧急配送体系。

A、国家              B、社会               C、企业

下载环境

pip install docx

导入环境

from docx import Document
import csv
import uuid

import re

Document读取word

from docx import Documentimport csvimport uuidimport refile = Document("word.docx")print(file)

输出对象查看是否读取成功,可以看到有对象的输出,代表读取成功。

使用【paragraphs】获取段落信息,可以看出输出的文字。

行拆分

拆分题目行与选择行

from docx import Documentimport csvimport uuidimport refile = Document("word.docx")# 拆分依据info = r"( A )|( B )|( C )|(  )"# 输出样式header_list2 = ["题型", "难度", "题目问题", "正确答案", "选项A", "选项B", "选项C"]# 获取file的段落对象for item in file.paragraphs:    # 正则区分行    te = re.search(info, item.text)    print(te)

测试输出效果:

信息分析

正则判断根据答案进行判断的,如果这个行有就能输出,如果没有也就是选项那么就会输出【None】,所以我们判断一下是否等于【None】来区分题目行与选项行。

数据分组

from docx import Documentimport csvimport uuidimport refile = Document("word.docx")# 拆分依据info = r"( A )|( B )|( C )|(  )"# 输出样式header_list2 = ["题型", "难度", "题目问题", "正确答案", "选项A", "选项B", "选项C"]# 用于最终存储data_list = []# 用于存储集合·前两项固定的可以直接写上·我们主要拆分后面5列list_child = ["单选", "1", "", "", "", "", ""]# 获取file的段落对象for item in file.paragraphs:    # 正则区分行    te = re.search(info, item.text)    if te != None: if list_child[2] != "":     data_list.append(list_child) list_child = ["单选", "1", "", "", "", "", ""] list_child[2] = item.text.replace(item.text[te.span()[0]:te.span()[1]], "(   )") list_child[3] = item.text[te.span()[0]:te.span()[1]]    else: item2Len = [] for item2 in item.text.split(" "):     if item2 != "":  item2Len.append(item2) list_child[4] = item2Len[0] list_child[5] = item2Len[1] list_child[6] = item2Len[2]print(data_list)

分组效果:

csv文件写入

直接创建一个新的文件写入即可。

from docx import Documentimport csvimport uuidimport refile = Document("word.docx")# 拆分依据info = r"( A )|( B )|( C )|(  )"# 输出样式header_list2 = ["题型", "难度", "题目问题", "正确答案", "选项A", "选项B", "选项C"]# 用于最终存储data_list = []# 用于存储集合·前两项固定的可以直接写上·我们主要拆分后面5列list_child = ["单选", "1", "", "", "", "", ""]# 获取file的段落对象for item in file.paragraphs:    # 正则区分行    te = re.search(info, item.text)    if te != None: if list_child[2] != "":     data_list.append(list_child) list_child = ["单选", "1", "", "", "", "", ""] list_child[2] = item.text.replace(item.text[te.span()[0]:te.span()[1]], "(   )") list_child[3] = item.text[te.span()[0]:te.span()[1]]    else: item2Len = [] for item2 in item.text.split(" "):     if item2 != "":  item2Len.append(item2) list_child[4] = item2Len[0] list_child[5] = item2Len[1] list_child[6] = item2Len[2]fileName = "{0}.csv".format(uuid.uuid4())with open(fileName, 'w', encoding="utf-8-sig", newline="") as csvFile:    wr = csv.writer(csvFile)    wr.writerow(header_list2)    wr.writerows(data_list)

写入效果:

PyCharm打开效果:

Excel打开效果:

演示完毕,根据实际需求处理数据即可。