一、問題的提出

在日常的辦公中，有時(shí)需要提取多個(gè)word文件中的文字框的內(nèi)容。有時(shí)，文字框的數(shù)量比較多，而且處于文檔的不同位置，手工提取比較耗時(shí)耗力，同時(shí)也可能會(huì)產(chǎn)生遺漏。

我們也可以通過VBA和Python來解決這個(gè)問題，雖然聽起來有點(diǎn)兒小復(fù)雜，但是有了Chatgpt的加持，這個(gè)問題就不是那么麻煩了。

以下，我們采用三種不同的方法來提取文本框的內(nèi)容，經(jīng)過比較之后我們再做出判斷。

二、手動(dòng)提取文本框內(nèi)容

手動(dòng)選取的方法也比較簡單，思路就是定位——選中——復(fù)制——粘貼，可以把一個(gè)文檔中的文本框內(nèi)容復(fù)制到一個(gè)新文檔當(dāng)中。

首先，我們選中文件中多個(gè)文本框中的一個(gè)，然后點(diǎn)擊【開始】——【選擇】——【選擇相似的文本】，就可以全部選中所有文本框的內(nèi)容，然后用快捷鍵ctrl+c復(fù)制，再打開一個(gè)新的文件粘貼就可以了。

經(jīng)過測試，以上方法僅適用于word而不適用于wps。

三、Python批量提示文字框內(nèi)容

我們也可以請出Python這款強(qiáng)大的武器，它最大的特點(diǎn)就是文件處理快捷、跨平臺性強(qiáng)，可以批量地識別出多個(gè)文檔中的全部文字框，并把其中的內(nèi)容全部復(fù)制出來，寫入一個(gè)新的文檔。

1. 引入處理文檔的包

要進(jìn)行word文件的處理，我們就要安裝并導(dǎo)入python-docx這個(gè)包，在確保安裝python軟件之后，在cmd里輸入以下命令：

pip install python-docx

這樣就可以安裝必要的庫，在使用時(shí)就可以通過這個(gè)庫中的Document方法來讀取和生成docx文件。

另外，還需要安裝用于解析docx文件的lxml庫，安裝方法如上：

pip install lxml

另外還需要用到os, zipfile等標(biāo)準(zhǔn)庫，這些都不用安裝，使用時(shí)直接導(dǎo)入即可。

2. 算法分析

我們通過讀取docx文件，解壓該文件以獲取內(nèi)部XML結(jié)構(gòu)，然后使用lxml庫解析這個(gè)XML，查找所有文本框內(nèi)容，并將這些內(nèi)容添加到一個(gè)新的文檔中。

我們還可以加入循環(huán)讀取文件的方法，實(shí)現(xiàn)對當(dāng)前目錄下多個(gè)文件中文字框內(nèi)容的提取。

為了避免提取的內(nèi)容重復(fù)，我們還可以用set()對提取的內(nèi)容進(jìn)行去重。

3. 代碼展示

明確了我們的目標(biāo)之后，我們整理出指令，然后發(fā)送給ChatGPT，讓它給出我們想要的代碼，然后進(jìn)行測試其可用性，并對代碼進(jìn)行必要的修改，最終形成以下代碼。

from docx import Document
from lxml import etree
import zipfile
import os
 
# 加載.docx文件
source_docx = 'example.docx'
document = Document(source_docx)
 
# 解壓.docx文件以訪問其XML內(nèi)容
with zipfile.ZipFile(source_docx, 'r') as docx_zip:
 xml_content = docx_zip.read('word/document.xml')
 
# 解析XML內(nèi)容
xml_tree = etree.XML(xml_content)
 
# 定義命名空間
namespaces = {
 'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main',
 'v': 'urn:schemas-microsoft-com:vml'
}
 
# 創(chuàng)建新文檔
output_docx = 'output_with_textboxes.docx'
new_document = Document()
 
# 已提取段落的文本集合
extracted_texts = set()
 
# 搜索文本框中的文本
textboxes = xml_tree.findall('.//w:txbxContent', namespaces)
for textbox in textboxes:
 paragraphs = textbox.findall('.//w:p', namespaces)
 for paragraph in paragraphs:
 texts = paragraph.findall('.//w:t', namespaces)
 paragraph_text = ''.join([text.text for text in texts if text.text])
 # 檢查段落文本是否已經(jīng)被提取
 if paragraph_text and paragraph_text not in extracted_texts:
 new_document.add_paragraph(paragraph_text)
 # 將提取的段落文本添加到集合中，以避免重復(fù)
 extracted_texts.add(paragraph_text)
 
# 保存新文檔
new_document.save(output_docx)
 
print(f'文本框內(nèi)容已被提取到 {output_docx}')

四、VBA批量提取文本框內(nèi)容

相比python,VBA的方法更為簡單，尤其是對于單個(gè)文件中的文本框，可以輕松提取。而且，我們還可以把VBA代碼綁定成一個(gè)自定義的按鈕，輕輕一點(diǎn)就可以提取所有文本框。

VBA代碼的優(yōu)勢非常明顯，不需要安裝額外的軟件，只用編寫一個(gè)宏來遍歷文檔中所有的形狀（Shapes），檢查它們是否是文本框，然后將這些文本框中的文本提取出來并寫入到一個(gè)新的Word文檔中。

1. VBA代碼實(shí)現(xiàn)

為確保VBA宏運(yùn)行后生成的文件位于當(dāng)前文檔的目錄下，可以使用ThisDocument.Path屬性來獲取當(dāng)前文檔所在的路徑，然后基于這個(gè)路徑構(gòu)建目標(biāo)文件的完整路徑。

以下是修改后的VBA宏，它會(huì)將提取的文本保存到一個(gè)新的Word文檔中，該文檔位于當(dāng)前活動(dòng)文檔的同一目錄下：

Sub ExtractTextBoxContentAndSaveInCurrentDirectory()
 Dim srcDoc As Document
 Dim destDoc As Document
 Dim shape As shape
 Dim textBoxText As String
 Dim para As Paragraph
 Dim destPath As String
 
 ' 當(dāng)前活動(dòng)文檔作為源文檔
 Set srcDoc = ActiveDocument
 ' 創(chuàng)建一個(gè)新文檔來存儲提取的文本
 Set destDoc = Documents.Add
 
 ' 遍歷源文檔中的所有形狀
 For Each shape In srcDoc.Shapes
 ' 檢查形狀是否是文本框
 If shape.Type = msoTextBox Then
 ' 獲取文本框中的文本
 textBoxText = shape.TextFrame.TextRange.Text
 ' 將文本寫入到目標(biāo)文檔
 Set para = destDoc.Content.Paragraphs.Add
 para.Range.Text = textBoxText & vbNewLine
 End If
 Next shape
 
 ' 構(gòu)建目標(biāo)文件的完整路徑
 destPath = srcDoc.Path & "\ExtractedTextBoxContent.docx"
 
 ' 保存目標(biāo)文檔到當(dāng)前文檔所在目錄
 destDoc.SaveAs2 FileName:=destPath
 
 ' 顯示保存成功的消息
 MsgBox "文本框內(nèi)容已提取到：" & destPath, vbInformation, "完成"
 
 ' 清理
 Set srcDoc = Nothing
 Set destDoc = Nothing
End Sub

2. 代碼使用方法

使用VBA代碼時(shí)，我們要打開Word文檔，按下Alt + F11以打開VBA編輯器。在“項(xiàng)目”窗口中選擇你的文檔。通過右鍵點(diǎn)擊你的文檔名，選擇【插入】——【模塊】來創(chuàng)建一個(gè)新模塊。在新模塊中粘貼上述代碼并保存，然后就可以運(yùn)行當(dāng)前的代碼?；蛘哧P(guān)閉VBA編輯器，然后按下Alt + F8，選擇ExtractTextBoxContentAndSaveInCurrentDirectory宏并運(yùn)行。

在上述代碼中，srcDoc.Path獲取了當(dāng)前活動(dòng)文檔的路徑，然后用&連接\ExtractedTextBoxContent.docx構(gòu)建了新文檔的完整保存路徑。這樣，無論你的Word文檔位于哪個(gè)目錄，提取的文本都將被保存到與之相同的目錄下。

五、學(xué)后反思

三種方法均可以實(shí)現(xiàn)對一個(gè)文件中所有文本框內(nèi)容的提取。第一種是手動(dòng)，步驟不算多，如果在粘貼時(shí)選擇保存原格式，可以很好地保證文本框中文字的格式。它的唯一缺點(diǎn)時(shí)，不能對多個(gè)文件進(jìn)行操作。

Python和VBA都是編程的方法，實(shí)現(xiàn)過程有些復(fù)雜，但是均可以在以上代碼的基礎(chǔ)上經(jīng)過修改后可以對多個(gè)文件進(jìn)行批量的操作，省去了一個(gè)個(gè)打開文件、復(fù)制內(nèi)容的過程。其缺點(diǎn)是很難保證提取出的內(nèi)容格式不發(fā)生改變。

到此這篇關(guān)于Python實(shí)現(xiàn)批量提取word文件中文本框內(nèi)容的文章就介紹到這了,更多相關(guān)Python提取word文本框內(nèi)容內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論