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 docxfrom 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,datetimeimport timeimport xlrdfrom xlrd import xldate_as_tupleimport xlwtfrom readfile import docxInfofrom 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excelsheet0 = 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xlsxmemo_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 = 1n_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+1os.remove(memo_d)memo_new.save(memo_d)print('memo was updated!')