python读取word详解【from docx import Document】

前言

环境

示例字符串

下载环境

导入环境

Document读取word

行拆分

信息分析

数据分组

csv文件写入

PyCharm打开效果：

Excel打开效果：

前言

        我们平时工作的时候会有很多的时候会遇到需要将word里面的有些杂乱的数据格式化到Excel中去，但是如果手动操作那真是【超级无语】，很崩溃，几百页的word让你慢慢复制粘贴，会死掉的。所以我们需要使用程序来完成，使用python先通过【docx】的包将word中的文字逐行读取出来，再根据行的数据格式进行数据清洗，清洗成对应的列表数据，批量写入Excel即可，这里我写入的是【CSV】文件，也可以通过Excel直接打开的。

环境

系统：win10

工具：PyCharm Community Edition 2021.3.1

解析目标类型：*.docx文件

输出目标类型：*.csv文件

需要用包：pip install docx

使用技巧：字符串处理

示例字符串

1、（ A ）不可存放于码头普通仓库内。

A、爆炸品          B、棉料              C、煤粉

2、（ A ）负责核发危险化学品及其包装物、容器生产企业的工业产品生产许可证，并依法对其产品质量实施监督，负责对进出口危险化学品及其包装实施检验。

A、质量监督检验检疫部门     B、安全生产监督局      C、公安部门

3、（ A ）告诉我们，构成管理系统的各要素是运动和发展的，它们相互联系又相互制约。在生产经营单位建立、健全安全生产责任制是对这一原则的应用。

A、动力相关性原则      B、动力原则        C、人本原理

4、（ A ）即根据演练工作需要，采取必要安全防护措施，确保参演、观摩等人员以及生产运行系统安全。

A、演练工作安全保障            B、安全防护措施         C、系统安全

5、（ A ）建立健全应急物资储备保障制度，完善重要应急物资的监管、生产、储备、调拨和紧急配送体系。

A、国家              B、社会               C、企业

下载环境

pip install docx

导入环境

from docx import Document
import csv
import uuid

import re

Document读取word

from docx import Document
import csv
import uuid
import re

file = Document("word.docx")

print(file)

输出对象查看是否读取成功，可以看到有对象的输出，代表读取成功。

使用【paragraphs】获取段落信息，可以看出输出的文字。

行拆分

拆分题目行与选择行

from docx import Document
import csv
import uuid
import re

file = Document("word.docx")
# 拆分依据
info = r"（ A ）|（ B ）|（ C ）|（  ）"
# 输出样式
header_list2 = ["题型", "难度", "题目问题", "正确答案", "选项A", "选项B", "选项C"]
# 获取file的段落对象
for item in file.paragraphs:
    # 正则区分行
    te = re.search(info, item.text)
    print(te)

测试输出效果：

信息分析

正则判断根据答案进行判断的，如果这个行有就能输出，如果没有也就是选项那么就会输出【None】，所以我们判断一下是否等于【None】来区分题目行与选项行。

数据分组

from docx import Document
import csv
import uuid
import re

file = Document("word.docx")
# 拆分依据
info = r"（ A ）|（ B ）|（ C ）|（  ）"
# 输出样式
header_list2 = ["题型", "难度", "题目问题", "正确答案", "选项A", "选项B", "选项C"]
# 用于最终存储
data_list = []
# 用于存储集合·前两项固定的可以直接写上·我们主要拆分后面5列
list_child = ["单选", "1", "", "", "", "", ""]
# 获取file的段落对象
for item in file.paragraphs:
    # 正则区分行
    te = re.search(info, item.text)
    if te != None:
        if list_child[2] != "":
            data_list.append(list_child)
        list_child = ["单选", "1", "", "", "", "", ""]
        list_child[2] = item.text.replace(item.text[te.span()[0]:te.span()[1]], "（   ）")
        list_child[3] = item.text[te.span()[0]:te.span()[1]]
    else:
        item2Len = []
        for item2 in item.text.split(" "):
            if item2 != "":
                item2Len.append(item2)
        list_child[4] = item2Len[0]
        list_child[5] = item2Len[1]
        list_child[6] = item2Len[2]

print(data_list)

分组效果：

csv文件写入

直接创建一个新的文件写入即可。

from docx import Document
import csv
import uuid
import re

file = Document("word.docx")
# 拆分依据
info = r"（ A ）|（ B ）|（ C ）|（  ）"
# 输出样式
header_list2 = ["题型", "难度", "题目问题", "正确答案", "选项A", "选项B", "选项C"]
# 用于最终存储
data_list = []
# 用于存储集合·前两项固定的可以直接写上·我们主要拆分后面5列
list_child = ["单选", "1", "", "", "", "", ""]
# 获取file的段落对象
for item in file.paragraphs:
    # 正则区分行
    te = re.search(info, item.text)
    if te != None:
        if list_child[2] != "":
            data_list.append(list_child)
        list_child = ["单选", "1", "", "", "", "", ""]
        list_child[2] = item.text.replace(item.text[te.span()[0]:te.span()[1]], "（   ）")
        list_child[3] = item.text[te.span()[0]:te.span()[1]]
    else:
        item2Len = []
        for item2 in item.text.split(" "):
            if item2 != "":
                item2Len.append(item2)
        list_child[4] = item2Len[0]
        list_child[5] = item2Len[1]
        list_child[6] = item2Len[2]

fileName = "{0}.csv".format(uuid.uuid4())
with open(fileName, 'w', encoding="utf-8-sig", newline="") as csvFile:
    wr = csv.writer(csvFile)
    wr.writerow(header_list2)
    wr.writerows(data_list)

写入效果：

PyCharm打开效果：

Excel打开效果：

演示完毕，根据实际需求处理数据即可。