基于python的docx模块处理word和WPS的docx格式文件方式

Z时代
2024-01-10
分类：综合

Python docx module for Word or WPS processing

本文是通过docx把word中的表格中的某些已填好的内容提取出来，存入excel表格。

首先安装docx的python模块：

pip install python-docx

由于处理的为中文和符号，改成utf-8编码格式


import sys
reload(sys)
sys.setdefaultencoding('utf-8')
from docx import Document
import pandas as pd


# 打开文件
doc = Document(ur'test_1.docx')

为了处理word中以对勾形式勾选的项目，采用下面的方法

1、十字路口 √ 2、丁字路口 3、环形路口 4、人行立交


# 取出对号勾选的项目
print doc.tables[0].rows[3].cells[2].text
print doc.tables[0].rows[3].cells[2].text.split(u'√')[1].strip().split(' ')[0][2:]
'√' in doc.tables[0].rows[3].cells[2].text # 这个语句可以测试是否含有对勾，
# 有的话就取出对勾后面的item，否则直接返回填空的text

True


num_rows = len(doc.tables[0].rows)
print num_rows

xls = pd.read_csv(ur'output.csv')


print xls.columns[0]
diction = {}


# 找到每个excel文档中需要被记录的键值在docx文档表格中的位置
for xlskey in xls.columns:
 for row_id in range(num_rows):
  row = doc.tables[0].rows[row_id]
  for cell_id in range(len(row.cells)):
   if row.cells[cell_id].text.strip() == xlskey.strip():
    diction[xlskey] = [row_id, cell_id]


# 查看一下获得的键值位置
for key in list(diction.keys()):
 print key, diction[key]

楼层数 [21, 1]

宗地形状 [4, 1]

使用权取得时间 [14, 1]

采光通风状况 [19, 1]

已使用年限 [21, 4]

建筑朝向 [7, 1]

房屋结构 [17, 1]

交叉路口形式 [3, 1]

临街状况 [8, 1]

建筑容积率 [10, 5]

楼宇名称 [15, 5]

质量等级 [18, 1]

周围土地利用类型 [11, 1]

总建筑面积 [20, 1]

宗地位置 [0, 1]

所临道路名称 [2, 1]

装修标准 [16, 1]

那么我们认为这些表头键值对应的填入数据就在他们的右边，也就是下一个cell，因此我们只需要将row id不变，cell＋1，就能取出填表内容。


# 开始填表！！！
for each_column in xls.columns:
 pos = diction[each_column]
 textion = doc.tables[0].rows[pos[0]].cells[pos[1] + 1].text
 if u'√' in textion:
  this_text = textion.strip(' ').split(u'√')[1].split()[0][2:]
 else:
  this_text = textion
 xls.loc[0, each_column] = this_text

xls

	楼宇名称	宗地位置	所临道路名称	交叉路口形式	宗地形状	建筑朝向	临街状况	周围土地利用类型	装修标准	房屋结构	质量等级	采光通风状况	总建筑面积	楼层数	已使用年限	建筑容积率	使用权取得时间
0	百兴花园	鄂州市鄂城区凤凰路47-11号	凤凰路	丁字路口	多边形	南	离街	商业用地	豪华	1、钢 2、钢、钢混 3、钢混 4、混合 5、砖木 6、其它	完好	好	122.7平方米	8	13年