python批量提取word内信息_Python

python批量提取word内信息

2020-07-29 12:01脚本之家 Python

这里给大家分享的是php读取word并提取word内信息的方法，十分的简单实用，有需要的小伙伴可以参考下。

单位收集了很多word格式的调查表，领导需要收集表单里的信息，我就把所有调查表放一个文件里，写了个python小程序把所需的信息打印出来

									#coding:utf-8

									import os

									import win32com

									from win32com.client import Dispatch, constants

									from docx import Document

									def parse_doc(f):

									  """读取doc，返回姓名和行业

									  """

									  doc = w.Documents.Open( FileName = f )

									  t = doc.Tables[0] # 根据文件中的图表选择信息

									  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):

									  """读取docx，返回姓名和行业

									  """

									  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')

									  # 遍历文件

									  PATH = "H:\work\\aaa" # windows文件路径

									  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

下载安装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()

这种方式产生的text文档，不能用python用普通的r方式读取，为了让python可以用r方式读取，应当写成
doc.SaveAs('c:/test', 4)
注意：系统执行完成后，会自动产生文件后缀txt（虽然没有指明后缀）。
在xp系统下面，应当，

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

照着字面意思应该能对应到相应的文件格式，如果你是office 2003可能支持不了这么多格式。word文件转html有两种格式可选wdFormatHTML、wdFormatFilteredHTML（对应数字 8、10），区别是如果是wdFormatHTML格式的话，word文件里面的公式等ole对象将会存储成wmf格式，而选用 wdFormatFilteredHTML的话公式图片将存储为gif格式，而且目测可以看出用wdFormatFilteredHTML生成的HTML 明显比wdFormatHTML要干净许多。

当然你也可以用任意一种语言通过com来调用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()，容易引起歧义。