需求:
有一批doc格式的文件,并从中提取批量指定内容存入excel中。
首先将doc文件格式转换为docx文件
python
#首先得安装pywin32库，此处省略
# -*- coding: utf-8 -*-
"""
Created on Tue Apr 28 15:19:24 2020
需要先安装office或者wps，自动将py文件同级文件夹下（含子文件夹）内所有的doc、xls、ppt转成docx/xlsx/pptx
已经是纯py程序，直接在python环境下运行即可，转换完成后会自动删除老版本文件。自己根据需要可调整。doc和xls文件转换时属于静默转换，ppt因为office软件原因，不支持后台静默转换，会跳出ppt软件窗口，但转换完成后会自动关闭。
原理：直接调用office相关API执行打开文件、另存为等操作，因为WPS的API兼容OFFICE，所以安装了WPS后也可以用。
@author: w
"""
import os
import logging
from win32com import client
logging.basicConfig(filename='rz.txt', level=logging.DEBUG, format='%(asctime)s-%(levelname)s-%(message)s') # 启动日志
logging.debug("程序开始！")
def doc_to_docx(path):
if os.path.splitext(path)[1] == ".doc":
word = client.Dispatch('Word.Application')
doc = word.Documents.Open(path) # 目标路径下的文件
doc.SaveAs(os.path.splitext(path)[0] + ".docx", 16) # 转化后路径下的文件
doc.Close()
word.Quit()
def xls_to_xlsx(path):
if os.path.splitext(path)[1] == ".xls":
excel = client.Dispatch('Excel.Application')
xls = excel.Workbooks.Open(path) # 目标路径下的文件
xls.SaveAs(os.path.splitext(path)[0] + ".xlsx", 51) # 转化后路径下的文件
xls.Close()
excel.Quit()
def ppt_to_pptx(path):
if os.path.splitext(path)[1] == ".ppt":
powerpoint = client.Dispatch('PowerPoint.Application')
client.gencache.EnsureDispatch('PowerPoint.Application')
powerpoint.Visible = 1
ppt = powerpoint.Presentations.Open(path) # 目标路径下的文件
ppt.SaveAs(os.path.splitext(path)[0] + ".pptx") # 转化后路径下的文件
ppt.Close()
powerpoint.Quit()
def find_file(path, ext, file_list=[]):
dir = os.listdir(path)
for i in dir:
i = os.path.join(path, i)
if os.path.isdir(i):
find_file(i, ext, file_list)
else:
if ext == os.path.splitext(i)[1]:
file_list.append(i)
return file_list
# 获取当前py文件所在路径
dir_path = os.path.split(os.path.realpath(__file__))[0]
# print(dir_path)
# os._exit()
#dir_path = "D:\我的文档\桌面\附件1文件" #批量转换文件夹
dir_path=r'D:\develop\Python\extract_score\score2'
ext = ".doc"
file_list = find_file(dir_path, ext)
for file in file_list:
try:
doc_to_docx(file)
logging.debug(file)
os.remove(file)
except Exception as bcnr:
logging.debug("可接受异常:%s（一般是磁盘缓存未能及时更新导致）" % bcnr)
# print(file_list)
ext = ".xls"
file_list = find_file(dir_path, ext)
for file in file_list:
try:
xls_to_xlsx(file)
logging.debug(file)
os.remove(file)
except Exception as bcnr:
logging.debug("可接受异常:%s（一般是磁盘缓存未能及时更新导致）" % bcnr)
# print(file_list)
ext = ".ppt"
file_list = find_file(dir_path, ext)
for file in file_list:
try:
ppt_to_pptx(file)
logging.debug(file)
os.remove(file)
except Exception as bcnr:
logging.debug("可接受异常:%s（一般是磁盘缓存未能及时更新导致）" % bcnr)
# print(file_list)参考地址：自动批量一次性转换工具，doc转docx，xls转xlsx，ppt转pptx，基于python_doc批量转docx-CSDN博客
然后读取docx文件中的指定内容
python
import docx
import os
import csv as csv
# 加载Word文档
# doc = docx.Document('a.docx')
# 存储提取的内容
contacts = []
path = "D:\\develop\\Python\\extract_score\\score1\\"
allItems = os.listdir(path)
# 新打开一个 info3.CSV 文件
fo = open("info3.csv", "w", newline='')
# 将表头存储在一个列表中
header = []
cols = 39
for i in range(cols):
header.append(f"id{i}")
# 创建一个 DictWriter 对象，第二个参数就是上面创建的表头
writer = csv.DictWriter(fo, header)
# 将小刚的记录插入到row_list 中
row_list = []
j = 0
for item in allItems:
doc = docx.Document(path+item.title())
# 遍历文档中的段落并提取联系人关键字对应的内容
for paragraph in doc.paragraphs:
if '学生姓名:' in paragraph.text:
# 获取关键字后面的内容
contact = paragraph.text.split('学生姓名:', 1)[1]
contacts.append(contact.strip())
if '实际得分:' in paragraph.text:
# 获取关键字后面的内容
contact = paragraph.text.split('实际得分:', 1)[1]
contacts.append(contact.strip().replace("分", ''))
# 显示提取的内容
print(contacts)
dict = {}
for i in range(cols):
print(contact)
dict[f"id{i}"] = contacts[j+i]
j += cols
row_list.append(dict)
# 调用 writerows 方法，一次性写多个字典（一个字典列表）到 CSV 文件中
writer = csv.DictWriter(fo, header)
# 写表头
writer.writeheader()
# 调用 writerows 方法，一次性写多个字典（一个字典列表）到 CSV 文件中
writer.writerows(row_list)
# 关闭文件
fo.close()