Python實現光速定位并提取兩個文件的不同之處

更新時間：2022年08月25日 14:54:13 作者：劉早起

如果你經常與Excel或Word打交道，那么從兩份表格/文檔中找到不一樣的元素是一件讓人很頭疼的工作。本文就將以兩份真實的Excel/Word文件為例，講解如何使用Python光速對比并提取文件中的不同之處

如果你經常與Excel或Word打交道，那么從兩份表格/文檔中找到不一樣的元素是一件讓人很頭疼的工作，當然網上有很多方法、第三方軟件教你如何對比兩份文件。本文就將以兩份真實的Excel/Word文件為例，講解如何使用Python光速對比并提取文件中的不同之處！

比較Excel

為了方便說明，我創(chuàng)建了一個簡單的Excel用于示例

可以看到上方兩個Excel表格中共有五處不同，現在我們使用Python來快速定位這五處不同，這次不需要openpyxl，使用Pandas就能輕松搞定，首先導入相關庫并讀取數據

import pandas as pd
import numpy as np
df1 = pd.read_excel('data1.xlsx')
df2 = pd.read_excel('data2.xlsx')

其實在Pandas中一行代碼就能找到兩個DataFrame的不同

可以看到，如果一樣的數據就是NaN，而變化的數據則以它的值存儲，但是如果這么做的話，我們僅僅找到數據不同的位置，并且數據量大的話盯著找到不同也挺消耗時間的，所以我們進一步研究。先換一種方式找到不同的值

接著再使用NumPy根據True/False定位元素位置，同時將值的改變寫入原表格并保存

rows,cols=np.where(comparison_values==False)
for item in zip(rows,cols):
    df1.iloc[item[0], item[1]] = '{} --> {}'.format(df1.iloc[item[0], item[1]],df2.iloc[item[0], item[1]])
df1.to_excel('diff.xlsx',index=False,header=True)

現在就生成了一個新的Excel來提示我們哪里發(fā)生了變化

這樣看起來就舒服了很多(高亮是手動的)，當然在進行兩個Excel比較的時候一定要注意這兩個Excel的數據格式要差不多！

比較Word

兩份Word比較起來相對于Excel就困難一點。首先我們還是創(chuàng)建兩份有區(qū)別的Word文檔，內容取自百度百科中的Python介紹[1]

左邊的為原始word右邊的word是我修改了幾處的文檔，現在我們用Python來快速找到兩份文檔的不同。讀取文件使用到的是docx庫[2] ，因為涉及到中文所以我們需要先讀取docx文件，然后分段再根據標點符號分句，具體代碼如下

def getText(wordname):
    '''
    提取文字
    '''
    d = Document(wordname)
    texts = []
    for para in d.paragraphs:
        texts.append(para.text)
    return texts
 
def is_Chinese(word):
    '''
    識別中文
    '''
    for ch in word:
        if '\u4e00' <= ch <= '\u9fff':
            return True
    return False
 
def msplit(s, seperators = ',|\.|\?|，|。|？|！|、'):
    '''
    根據標點符號分句
    '''
    return re.split(seperators, s)
 
def readDocx(docfile):
    '''
    讀取文檔
    '''
    print(f"======正在讀取{docfile}======")
    paras = getText(docfile)
    segs = []
    for p in paras:
        temp = []
        for s in msplit(p):
            if len(s) > 2:
                temp.append(s.replace(' ', ""))
        if len(temp) > 0:
            segs.append(temp)
    return segs

使用上面這段代碼讀一下兩個word試試

可以看到我們的word文件已經按照不同段落分好句存在兩層list中，所以接下來的問題就轉換為比較兩個list，而這又是我們熟悉的

def comparsion(doc1,doc2,p,s):
    if doc1 == doc2:
        print('兩個word完全一致')
    else:
        if doc1[p][s] != doc2[p][s]:
            print(f"第{p+1}段，第{s+1}句不相同: {doc1[p][s]} ----> {doc2[p][s]}")

上面的判斷為最簡單的形式：兩個word中僅有文字改變，而段落、句子數量均沒有改變，我們來試一下效果