点击上方“ Python爬虫与数据挖掘 ”,进行关注
回复“书籍”即可获赠Python从入门到进阶共10本电子书
今
日
鸡
汤
身虽死精神长生,成功成仁,实现大同。--赵博生
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docxfrom 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
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]
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 = 0for 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)
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 datetimen = 0for 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)
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 = 0for 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
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sheetsheet = 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)
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)
线程的最后记得保存
wb.save(r'C:\Users\20200420.xlsx')
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 Documentimport datetimefrom openpyxl import Workbookwb = Workbook()sheet = wb.activeheader = ['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.tablesn = 0for 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) continuewb.save(r'C:\Users\20200420.xlsx')
**********---**--****-------------- End **********---**--****--------------
往期精彩文章推荐:
欢迎大家点赞,留言,转发,转载,****感谢大家的相伴与支持
想加入Python学习群请在后台回复【入群】
万水千山总是情,点个【在看】行不行
/今日留言主题/
随便说一两句吧~
本文分享自微信公众号 - Python爬虫与数据挖掘(crawler_python)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。