大家好,今天有一个公务员的小伙伴委托我给他帮个忙,大概是有这样一份Word(由于涉及文件私密所以文中的具体内容已做修改)
一共有近2600条类似格式的表格细栏,每个栏目包括的信息有:
- 日期
- 发文单位
- 文号
- 标题
- 签收栏
需要提取其中加粗的这三项内容到Excel表格中存储,表格样式如下:
也就是需要将收文时间、文件标题、文号填到指定位置,同时需要将时间修改为标准格式,如果是完全手动复制和修改时间,依照一个条目10s的时间计算,一分钟可以完成6条,那么最快也需要:
而这类格式规整的文件整理非常适合用Python来执行,好的那么接下来请Python出场,必要的信息我在代码中以注释信息呈现。
首先使用Python将Word文件导入
# 导入需要的库docx
from docx import Document
# 指定文件存放的路径
path = r'C:\Users\word.docx'
# 读取文件
document = Document(path)
# 读取word中的所有表格
tables = document.tables
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
再把问题逐个划分,首先尝试获取第一张表第一个文件条目的三个所需信息
# 获取第一张表
table0 = tables[0]
- 1.
- 2.
仔细观察可以发现一个文件条目占据了3行,所以对表格全部行循环迭代时可以设步长为3
注意观察表格,按照row和cell把所需内容解析清楚
# 在全局放一个变量用来计数填序号
n = 0
for i in range(0, len(table0.rows) + 1, 3):
# 日期
date = table0.cell(i, 1).text
# 标题
title = table0.cell(i + 1, 1).text.strip()
# 文号
dfn = tables[j].cell(i, 3).text.strip()
print(n, date, tite, dfn)
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
接下来需要解决的是,时间我们获取的是 2/1 这种 日/月的形式。我们需要转化成 YYYY-MM-DD格式,而这利用到datetime包的strptime和strftime函数:
- strptime: 解析字符串中蕴含的时间
- strftime: 转化成所需的时间格式
import datetime
n = 0
for i in range(0, len(table0.rows) + 1, 3):
# 日期
date = table0.cell(i, 1).text
# 有的条目时间是空的,这里不做过多判别
if '/' in date:
date = datetime.datetime.strptime(date, '%d/%m').strftime('2020-%m-%d')
else:
date = '-'
# 标题
title = table0.cell(i + 1, 1).text.strip()
# 文号
dfn = tables[j].cell(i, 3).text.strip()
print(n, date, tite, dfn)
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
这样一张表的内容解析就完成了,注意这里用的是table[0]即第一张表,遍历所有的表加一个嵌套循环就可以,另外也可以捕获异常增加程序灵活性
n = 0
for j in range(len(tables)):
for i in range(0, len(tables[j].rows)+1, 3):
try:
# 日期
date = tables[j].cell(i, 1).text
if '/' in date:
date = datetime.datetime.strptime(date, '%d/%m').strftime('2020-%m-%d')
else:
date = '-'
# 标题
title = tables[j].cell(i + 1, 1).text.strip()
# 文号
dfn = tables[j].cell(i, 3).text.strip()
n += 1
print(n, date, title, dfn)
except Exception as error:
# 捕获异常,也可以用log写到日志里方便查看和管理
print(error)
continue
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
信息解析和获取完成就可以导出了,用到的包是openpyxl
from openpyxl import Workbook
# 实例化
wb = Workbook()
# 获取当前sheet
sheet = wb.active
# 设立表头
header = ['序号', '收文时间', '办文编号', '文件标题', '文号', '备注']
sheet.append(header)
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
在最内层解析循环的末尾加上如下代码即可
row = [n, date, ' ', title, dfn, ' ']
sheet.append(row)
- 1.
- 2.
线程的最后记得保存
wb.save(r'C:\Users\20200420.xlsx')
- 1.
运行时间在10分钟左右,大概离开了一会程序就执行结束了
最后附上完整代码,代码很简单,理清思路最重要
from docx import Document
import datetime
from openpyxl import Workbook
wb = Workbook()
sheet = wb.active
header = ['序号', '收文时间', '办文编号', '文件标题', '文号', '备注']
sheet.append(header)
path = r'C:\Users\word.docx'
document = Document(path)
tables = document.tables
n = 0
for j in range(len(tables)):
for i in range(0, len(tables[j].rows)+1, 3):
try:
# 日期
date = tables[j].cell(i, 1).text
if '/' in date:
date = datetime.datetime.strptime(date, '%d/%m').strftime('2020-%m-%d')
else:
date = '-'
# 标题
title = tables[j].cell(i + 1, 1).text.strip()
# 文号
dfn = tables[j].cell(i, 3).text.strip()
n += 1
print(n, date, title, dfn)
row = [n, date, ' ', title, dfn, ' ']
sheet.append(row)
except Exception as error:
# 捕获异常,也可以用log写到日志里方便查看和管理
print(error)
continue
wb.save(r'C:\Users\20200420.xlsx')
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7.
- 8.
- 9.
- 10.
- 11.
- 12.
- 13.
- 14.
- 15.
- 16.
- 17.
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28.
- 29.
- 30.
- 31.
- 32.
- 33.
- 34.
- 35.
- 36.
- 37.
- 38.