python批量提取word指定内容_使用python批量读取word文档并整理关键信息到excel表格的实例...
目标
最近实验室里成立了一个计算机兴趣小组
倡议大家多把自己解决问题的经验记录并分享
就像在CSDN写博客一样
虽然刚刚起步
但考虑到后面此类经验记录的资料会越来越多
所以一开始就要做好模板设计(如下所示)
方便后面建立电子数据库
从而使得其他人可以迅速地搜索到相关记录
据说“人生苦短,我用python”
所以决定用python从docx文档中提取文件头的信息
然后把信息更新到一个xls电子表格中,像下面这样(直接po结果好了)
而且点击文件路径可以直接打开对应的文件(含超链接)
代码实现
1. 采集docx里面文件头信息
# -*- coding:utf-8 -*-
# 此程序可扫描Log中的docx文件并返回基本信息
import docx
from docx import Document
test_d = '../log/sublime搭建python的集成开发环境.docx'
def docxInfo(addr):
document = Document(addr)
info = {'title':[],
'keywords':[],
'author':[],
'date':[],
'question':[]}
lines = [0 for i in range(len(document.paragraphs))]
k = 0
for paragraph in document.paragraphs:
lines[k] = paragraph.text
k = k+1
index = [0 for i in range(5)]
k = 0
for line in lines:
if line.startswith('标题'):
index[0] = k
if line.startswith('关键词'):
index[1] = k
if line.startswith('作者'):
index[2] = k
if line.startswith('日期'):
index[3] = k
if line.startswith('问题描述'):
index[4] = k
k = k+1
info['title'] = lines[index[0]+1]
keywords = []
for line in lines[index[1]+1:index[2]]:
keywords.append(line)
info['keywords'] = keywords
info['author'] = lines[index[2]+1]
info['date'] = lines[index[3]+1]
info['question'] = lines[index[4]+1]
return info
if __name__ == '__main__':
print(docxInfo(test_d))
2. 遍历log文件夹,进行信息更新
# -*- coding:utf-8 -*-
# 此程序可以批量扫描log中的文件,如果碰到docx文档,
# 则调用readfile()提取文档信息,并将信息保存到digger
# 日志列表.xls之中,方便后期快速检索
import os,datetime
import time
import xlrd
from xlrd import xldate_as_tuple
import xlwt
from readfile import docxInfo
from xlutils.copy import copy
# 打开日志列表读取最近一条记录的更新日期
memo_d = '../log/digger日志列表.xls'
memo = xlrd.open_workbook(memo_d) #读取excel
sheet0 = memo.sheet_by_index(0) #读取第1张表
memo_date = sheet0.col_values(5) #读取第5列
memo_n = len(memo_date) #去掉标题
if memo_n>0:
xlsx_date = memo_date[memo_n-1] #读取最后一条记录的日期,
latest_date = sheet0.cell_value(memo_n-1,5)
# 返回时间戳
# 新建一个xlsx
memo_new = copy(memo)
sheet1 = memo_new.get_sheet(0)
# 重建超链接
hyperlinks = sheet0.col_values(6) # xlrd读取的也是text,造成超链接丢失
k = 1
n_hyperlink = len(hyperlinks)
for k in range(n_hyperlink):
link = 'HYPERLINK("%s";"%s")' %(hyperlinks[k],hyperlinks[k])
sheet1.write(k,6,xlwt.Formula(link))
k = k+1
# 判断文件后缀
def endWith(s,*endstring):
array = map(s.endswith,endstring)
if True in array:
return True
else:
return False
# 遍历log文件夹并进行查询
log_d = '../log'
logFiles = os.listdir(log_d)
for file in logFiles:
if endWith(file,'.docx'):
timestamp = os.path.getmtime(log_d+'/'+file)
if timestamp>latest_date:
info = docxInfo(log_d+'/'+file)
sheet1.write(memo_n,0,info['title'])
keywords_text = ','.join(info['keywords'])
sheet1.write(memo_n,1,keywords_text)
sheet1.write(memo_n,2,info['author'])
sheet1.write(memo_n,3,info['date'])
sheet1.write(memo_n,4,info['question'])
#获取当前时间
time_now = time.time() #浮点值,精确到毫秒
sheet1.write(memo_n,5, time_now)
link = 'HYPERLINK("%s";"%s")' %(file,file)
sheet1.write(memo_n,6,xlwt.Formula(link))
memo_n = memo_n+1
os.remove(memo_d)
memo_new.save(memo_d)
print('memo was updated!')
其实还有一些操作电子表格更好的模块,比如panda、xlsxwriter、openpyxl等。不过上述代码已经基本能实现功能,而且科研狗毕竟没那么多时间写代码做调试,所以后面有空再update吧!
致谢
在此过程中大量借鉴了CSDN论坛中各位大神的各种经验!!!
以上这篇使用python批量读取word文档并整理关键信息到excel表格的实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。
python批量提取word指定内容_使用python批量读取word文档并整理关键信息到excel表格的实例...相关推荐
- python批量提取word指定内容到excel_(转)用python批量读取word文档并整理关键信息到excel表格...
目标 最近实验室里成立了一个计算机兴趣小组 倡议大家多把自己解决问题的经验记录并分享 就像在CSDN写博客一样 虽然刚刚起步 但考虑到后面此类经验记录的资料会越来越多 所以一开始就要做好模板设计(如下 ...
- 批量处理word文件内容_用python批量提取word文件信息,导出到excel文件
技术的运用可以解决大量重复处理的工作,提高效率. 比如,有大量的论文电子文档(.docx格式),需要提取文档中的题目.作者.单位等信息制成表格(.xlsx格式),一般每篇论文的题目在第1行,副标题在第 ...
- python删除txt指定内容_使用Python删除文本文件中的部分内容 | 学步园
为了学习英语,我把从网上下载下来的电影转换成纯MP3文件,放到iTouch里去了,这样就可以直接练习听力了,另外把下载下来的字幕也放进去,听不懂的时候可以看,但有一个问题,网上载下来的字幕格式都如下所 ...
- python程序员的工作内容_每个Python程序员都要知道的日志实践
许多应用程序中都会有日志模块,用于记录系统在运行过程中的一些关键信息,以便于对系统的运行状况进行跟踪.在.NET平台中,有非常著名的第三方开源日志组件log4net,c++中,有人们熟悉的log4cp ...
- 用python爬取qq空间内容_用python爬取QQ空间
原博文 2016-11-18 17:19 − 好久没写博文了,最近捣鼓了一下python,好像有点上瘾了,感觉python比js厉害好多,但是接触不久,只看了<[大家网]Python基础教程(第 ...
- php 批量转换文档编码格式_据说是国内最好的文档格式转换网址~PDF,PPT,EXCEL,WORD互相转换...
作者 雷哥 | 编辑 小西瓜 各位读者朋友,大家好. 平时工作中,经常会遇到PDF转为Word,或者PPT转为Word,或者..... 遇到这种情况,大家有什么好的方法实现呢? 今天雷哥推荐给大家一个 ...
- 怎样在页面上查找请求内容_怎样快速裁剪删除PDF文档的页面内容?
有时在编辑PDF文档时,有大段的内容需要删除,且又不是整页无法直接通过删除页面解决,特别是扫描件无法直接用delete键清除时,有什么办法能快速解决呢?如何直接裁切不需要或保留需要的内容部分呢? 首先 ...
- pythondocx批量提取目录及内容_一个可以选择目录生成doc目录内容的小工具(三) -python-docx...
说到docx的用法,度娘一大堆,眼花缭乱的.这里就不啰嗦了,基本上就是新建个Document对象,然后往上边加标题.段落.表格.附带设置这些对象的字型字号啥的.不过有一点,docx和python-do ...
- python从邮箱获取指定邮件_用python提取并统计指定邮箱里的特定邮件
1.需求描述: 我们经常有这样的需求,需要某个邮箱中提取一个mailist的人员,发来的特定邮件,比如他们的周报,提交的patch等等.由于这是一个周期性的工作,有很大的重复和繁杂性,我们这里编写了一 ...
最新文章
- http协议基础(七)通用首部字段
- Okhttp、Volley和Gson的简单介绍和配合使用
- Linux下主DNS与辅助DNS的配置(上)
- 滑动拼图验证码操作步骤:_拼图项目:延期的后果
- AI+建筑战略再升级 旷视AIoT产品家族合体首秀
- 日本語の勉強の日記 十七回
- pytrhon画图matplolib
- 虚拟地球原理与实现(转载)
- php表格批量修改数据,php批量修改数据库表名前缀
- Web安全入门笔记-XSS
- Win10 专业版激活!
- ​富士通代理4KBit I2C铁电存储器MB85RC04V
- 计算机游戏软件视频,录屏软件具体怎么使用?记录电脑游戏视频
- VPP-20.09版本安装教程(联网版)
- 中间件学习——J2EE中间件四步曲
- 《2020年中国互联网网络安全报告》:90%的小程序存在安全隐患
- QA:filter-自适应均衡器
- 外星人大战---------------------游戏开发
- 更换移动硬盘显示图标
- 微软发布Win11 2022最大更新22H2 版本号为 22621.521
热门文章
- catia 创成钣金设计_弯曲的钣金设计技巧
- 徒手解密 Spring Boot 中的 Starter自动化配置黑魔法
- 4.Spring Security 添加图形验证码
- GDataXMLNode:xml解析库
- android Camera照相机技术(二)定制拍照
- 在python中定义类时、运算符重载_自定义 Python 类中的运算符和函数重载(上)...
- python pprint用法_Python中使用pprint函数进行格式化输出的教程
- 序列每天从1开始_时间序列预测一
- 享元模式 Flyweight Pattern
- PHP代理模式Proxy Mode