基于python的docx模块处理word和WPS的docx格式文件方式

Python docx module for Word or WPS processing 本文是通过docx把word中的表格中的某些已填好的内容提取出来，存入excel表格。 首先安装docx的python模块： pip install python-docx 由于处理的为中文和符号，改成utf-8编码格式 import sys reload(sys) sys.setdefaultencoding('utf-8') from docx import Document import pandas as pd # 打开文件 doc = Document(ur'test_1.docx') Python的`docx`模块是用于处理Microsoft Word和WPS Office的docx文件的一个强大工具。这个模块允许开发者读取、写入以及修改Word文档，包括文档中的文本、表格、图片等多种元素。在这个场景中，我们将关注如何使用`docx`来提取Word文档中表格内的特定内容，并将其存储到Excel表格。 确保已经正确安装了`python-docx`模块，通过运行`pip install python-docx`来安装。由于我们要处理包含中文和符号的数据，我们需要设置系统默认的编码为UTF-8。这通常在Python 2.x版本中是必要的，但在Python 3.x版本中，编码已经默认为UTF-8，所以这一步在Python 3中可省略。 ```python import sys reload(sys) sys.setdefaultencoding('utf-8') from docx import Document import pandas as pd ``` 接着，打开要处理的docx文件： ```python doc = Document('test_1.docx') ``` 对于Word文档中以对勾（√）表示的已选择项，可以通过检查文本内容来提取： ```python '√' in doc.tables[0].rows[3].cells[2].text ``` 如果找到了对勾，我们可以进一步获取对勾后的具体内容： ```python text = doc.tables[0].rows[3].cells[2].text.split(u'√')[1].strip().split(' ')[0][2:] ``` 为了将Word表格中的数据与Excel表格（这里以CSV文件为例）对应起来，我们可以遍历Excel文件的列名，然后在Word表格中查找这些列名的位置。这可以通过创建一个字典来实现，字典的键是Excel列名，值是表格中的行索引和列索引： ```python xls = pd.read_csv('output.csv') diction = {} for xlskey in xls.columns: for row_id in range(num_rows): row = doc.tables[0].rows[row_id] for cell_id in range(len(row.cells)): if row.cells[cell_id].text.strip() == xlskey.strip(): diction[xlskey] = [row_id, cell_id] ``` 一旦找到对应位置，就可以根据这些位置提取Word表格中的数据，并将其填充到Excel表格中： ```python for each_column in xls.columns: pos = diction[each_column] textion = doc.tables[0].rows[pos[0]].cells[pos[1] + 1].text if u'√' in textion: this_text = textion.strip(' ').split(u'√')[1].split()[0][2:] else: this_text = textion xls.loc[0, each_column] = this_text ``` 你可以遍历所有需要处理的docx文件，使用相同的方法提取数据并更新Excel表格。这可以通过`glob`函数来实现，它能列出指定目录下所有匹配的文件路径： ```python import glob for filename in glob.glob('*.docx'): # 对每个文件执行上述步骤 ``` 通过以上步骤，我们可以有效地从Word或WPS的docx文件中提取表格数据，并将其转换存入Excel，实现了自动化处理大量文档数据的过程。这对于需要批量处理Word文档数据的工作场景尤其有用，如数据分析、报告生成等。