快捷導(dǎo)航

python批量提取word內(nèi)信息

更新時(shí)間：2015年08月09日 16:26:29 投稿：hebedich

這里給大家分享的是php讀取word并提取word內(nèi)信息的方法，十分的簡(jiǎn)單實(shí)用，有需要的小伙伴可以參考下。

單位收集了很多word格式的調(diào)查表，領(lǐng)導(dǎo)需要收集表單里的信息，我就把所有調(diào)查表放一個(gè)文件里，寫了個(gè)python小程序把所需的信息打印出來

#coding:utf-8
 
import os
import win32com
from win32com.client import Dispatch, constants
from docx import Document
 
def parse_doc(f):
  """讀取doc，返回姓名和行業(yè)
  """
  doc = w.Documents.Open( FileName = f )
  t = doc.Tables[0] # 根據(jù)文件中的圖表選擇信息
  name = t.Rows[0].Cells[1].Range.Text  
  situation = t.Rows[0].Cells[5].Range.Text
  people = t.Rows[1].Cells[1].Range.Text
  title = t.Rows[1].Cells[3].Range.Text  
  print name, situation, people,title
  doc.Close()
 
def parse_docx(f):
  """讀取docx，返回姓名和行業(yè)
  """
  d = Document(f)
  t = d.tables[0]
  name = t.cell(0,1).text
  situation = t.cell(0,8).text
  people = t.cell(1,2).text
  title = t.cell(1,8).text
  print name, situation, people,title
 
 
if __name__ == "__main__":
   
  w = win32com.client.Dispatch('Word.Application')
   
  # 遍歷文件
  PATH = "H:\work\\aaa" # windows文件路徑
  doc_files = os.listdir(PATH)
  for doc in doc_files:
    if os.path.splitext(doc)[1] == '.docx':
      try:
        parse_docx(PATH+'\\'+doc)
      except Exception as e:
        print e
    elif os.path.splitext(doc)[1] == '.doc':
      try:
        parse_doc(PATH+'\\'+doc)
      except Exception as e:
        print e

下載安裝win32com

from win32com import client as wc
 word = wc.Dispatch('Word.Application')
 doc = word.Documents.Open('c:/test')
 doc.SaveAs('c:/test.text', 2)
 doc.Close()
 word.Quit()

這種方式產(chǎn)生的text文檔，不能用python用普通的r方式讀取，為了讓python可以用r方式讀取，應(yīng)當(dāng)寫成
doc.SaveAs('c:/test', 4)
注意：系統(tǒng)執(zhí)行完成后，會(huì)自動(dòng)產(chǎn)生文件后綴txt（雖然沒有指明后綴）。
在xp系統(tǒng)下面，應(yīng)當(dāng)，

 open(r'c:\text','r')
wdFormatDocument = 0 wdFormatDocument97 = 0 wdFormatDocumentDefault = 16 wdFormatDOSText = 4 wdFormatDOSTextLineBreaks = 5 wdFormatEncodedText = 7 wdFormatFilteredHTML = 10 wdFormatFlatXML = 19 wdFormatFlatXMLMacroEnabled = 20 wdFormatFlatXMLTemplate = 21 wdFormatFlatXMLTemplateMacroEnabled = 22 wdFormatHTML = 8 wdFormatPDF = 17 wdFormatRTF = 6 wdFormatTemplate = 1 wdFormatTemplate97 = 1 wdFormatText = 2 wdFormatTextLineBreaks = 3 wdFormatUnicodeText = 7 wdFormatWebArchive = 9 wdFormatXML = 11 wdFormatXMLDocument = 12 wdFormatXMLDocumentMacroEnabled = 13 wdFormatXMLTemplate = 14 wdFormatXMLTemplateMacroEnabled = 15 wdFormatXPS = 18

照著字面意思應(yīng)該能對(duì)應(yīng)到相應(yīng)的文件格式，如果你是office 2003可能支持不了這么多格式。word文件轉(zhuǎn)html有兩種格式可選wdFormatHTML、wdFormatFilteredHTML（對(duì)應(yīng)數(shù)字 8、10），區(qū)別是如果是wdFormatHTML格式的話，word文件里面的公式等ole對(duì)象將會(huì)存儲(chǔ)成wmf格式，而選用 wdFormatFilteredHTML的話公式圖片將存儲(chǔ)為gif格式，而且目測(cè)可以看出用wdFormatFilteredHTML生成的HTML 明顯比wdFormatHTML要干凈許多。

當(dāng)然你也可以用任意一種語言通過com來調(diào)用office API，比如PHP.

from win32com import client as wc
 
 word = wc.Dispatch('Word.Application')
 
 doc = word.Documents.Open(r'c:/test1.doc')
 
 doc.SaveAs('c:/test1.text', 4)
 
 doc.Close()
 import re
 strings=open(r'c:\test1.text','r').read()
 result=re.findall('\(\s*[A-D]\s*\)|\(\xa1*[A-D]\xa1*\)|\（\s*[A-D]\s*\）|\（\xa1*[A-D]\xa1*\）',strings)
 chan=re.sub('\(\s*[A-D]\s*\)|\(\xa1*[A-D]\xa1*\)|\（\s*[A-D]\s*\）|\（\xa1*[A-D]\xa1*\）','()',strings)
 question=open(r'c:\question','a+')
 question.write(chan)
 question.close()
 answer=open(r'c:\answeronly','a+')
 for i,a in enumerate(result):
  m=re.search('[A-D]',a)
  answer.write(str(i+1)+' '+m.group()+'\n')
 answer.close()
chan=re.sub(r'\xa3\xa8\s*[A-D]\s*\xa3\xa9','()',strings) #不要()，容易引起歧義。

您可能感興趣的文章: