Python脚本:将Word文档转换为Excel文件

引言

在文档处理中,我们经常需要将Word文档中的内容转换成其他格式,如Excel,以便更好地进行数据分析和报告。针对这一需求,我编写了一个Python脚本,能够批量处理指定目录下的Word文档,将其内容结构化并转换为Excel文件。

功能概述

这个脚本的主要功能包括:

  1. 批量读取Word文档:自动检索指定目录下的所有Word文档(.docx格式)。
  2. 内容抽取和组织:根据Word文档中的标题层级(Heading),抽取和组织内容。
  3. 关键信息提取:自动从Word文档的文件名中提取关键信息,作为Excel表格中的一级节点名称。
  4. 结构化DataFrame创建:将抽取的信息转化为DataFrame,包含一级至四级节点及其对应内容。
  5. Excel文件保存:将每个Word文档转换得到的DataFrame保存为同名的Excel文件,位于原始Word文档所在的同一目录。

使用方法

  1. 准备文档:确保所有待处理的Word文档位于同一目录下,并且每个文档中要有定义好的标题样式(一级标题、二级标题等)。
  2. 指定目录 :修改脚本中的batch_process_word_to_excel函数中的directory参数,指定Word文档所在目录。
  3. 运行脚本:执行脚本,等待处理完成。脚本将在指定目录下生成对应的Excel文件,文件名与原Word文档一致,但扩展名为'.xlsx'。

代码解析

以下是脚本的完整代码,包含了所需的库和函数定义:

python 复制代码
# -*- coding: utf-8 -*-
"""
此Python脚本旨在自动化处理目录下所有的Word文档(.docx),将其内容结构化并转换为Excel文件(.xlsx)。

主要功能:
1. 批量读取指定目录下的所有Word文档。
2. 对每个Word文档,根据文档内的标题层级(Heading)结构,抽取和组织内容。
3. 自动从Word文档的文件名中提取关键信息作为Excel表格中的一级节点名称,特别关注"分册"和"细则"之间的文本。
4. 将抽取的信息转化为结构化的DataFrame,其中包含一级至四级节点及其对应内容。具体转换规则如下:
    填充说明:
    1.word文件名为一级标题,作为Excel中的一级节点;
    2.word中的一级标题作为Excel中的二级节点,一级标题和当前一级标题下的第一个二级标题之间的正文内容作为Excel的二级内容;
    3.word中的二级标题作为Excel中的三级节点,二级标题和当前二级标题下的第一个三级标题之间的正文内容作为Excel的三级内容;
    4.word中的三级标题作为Excel中的四级节点,三级标题和当前三级标题下的第一个四级标题之间的正文内容作为Excel的四级内容;
5. 将每个Word文档转换得到的DataFrame保存为同名的Excel文件,位于原始Word文档所在的同一目录。

使用方法:
- 确保所有待处理的Word文档位于同一目录下。并且,每个word中要有样式:一级标题、二级标题、三级标题等
- 修改'batch_process_word_to_excel'函数中的'directory'参数,指定Word文档所在目录。
- 运行脚本,脚本将在指定目录下生成对应的Excel文件,文件名与原Word文档一致,但扩展名为'.xlsx'。

依赖库:
- os: 提供与操作系统交互的功能,如文件和目录操作。
- docx: 用于读取Word文档的库。
- pandas: 用于数据处理和分析的库,创建DataFrame和保存Excel文件。

注意事项:
- 代码假设Word文档中的标题层级不超过四级。
- 一级节点名称的提取逻辑基于文件名中包含"分册"和"细则"的特定格式。
- 如需处理不同层级或文件命名规则,需相应调整代码逻辑。

"""
import os
import docx
import pandas as pd


def extract_title_from_filename(filename):
    # 分割文件名找到"分册"和"细则"
    parts = filename.split('分册')
    if len(parts) > 1:
        title_part = parts[1].split('细则')[0]
        return title_part.strip()  # 去除前后空格
    else:
        return filename  # 如果没有找到"分册"或"细则",返回原文件名


def process_word_to_excel(file_path):
    doc = docx.Document(file_path)

    columns = ['一级节点', '二级节点', '二级内容', '三级节点', '三级内容', '四级节点', '四级内容']
    df = pd.DataFrame(columns=columns)

    # 获取Word文档的文件名,并从中提取一级节点名称
    filename = os.path.basename(file_path)
    word_file_name = extract_title_from_filename(filename)

    current_level2 = ""
    current_level3 = ""
    current_level4 = ""
    current_content = ""
    last_level = 0

    for paragraph in doc.paragraphs:
        if paragraph.style.name.startswith('Heading'):
            heading_level = int(paragraph.style.name[-1])

            if heading_level <= last_level:
                if current_level4:
                    new_row = pd.DataFrame({'一级节点': [word_file_name],
                                            '二级节点': [current_level2],
                                            '三级节点': [current_level3],
                                            '四级节点': [current_level4],
                                            '四级内容': [current_content]})
                elif current_level3:
                    new_row = pd.DataFrame({'一级节点': [word_file_name],
                                            '二级节点': [current_level2],
                                            '三级节点': [current_level3],
                                            '三级内容': [current_content]})
                elif current_level2:
                    new_row = pd.DataFrame({'一级节点': [word_file_name],
                                            '二级节点': [current_level2],
                                            '二级内容': [current_content]})
                df = pd.concat([df, new_row], ignore_index=True)
                current_content = ""

            if heading_level == 1:
                current_level2 = paragraph.text
                current_level3 = ""
                current_level4 = ""
                last_level = 1
            elif heading_level == 2:
                current_level3 = paragraph.text
                current_level4 = ""
                last_level = 2
            elif heading_level == 3:
                current_level4 = paragraph.text
                last_level = 3
        else:
            current_content += paragraph.text + '\n'

    if current_content:
        if current_level4:
            new_row = pd.DataFrame({'一级节点': [word_file_name],
                                    '二级节点': [current_level2],
                                    '三级节点': [current_level3],
                                    '四级节点': [current_level4],
                                    '四级内容': [current_content]})
        elif current_level3:
            new_row = pd.DataFrame({'一级节点': [word_file_name],
                                    '二级节点': [current_level2],
                                    '三级节点': [current_level3],
                                    '三级内容': [current_content]})
        elif current_level2:
            new_row = pd.DataFrame({'一级节点': [word_file_name],
                                    '二级节点': [current_level2],
                                    '二级内容': [current_content]})
        df = pd.concat([df, new_row], ignore_index=True)

    return df


def batch_process_word_to_excel(directory):
    for filename in os.listdir(directory):
        if filename.endswith('.docx'):
            file_path = os.path.join(directory, filename)
            df = process_word_to_excel(file_path)
            excel_filename = os.path.splitext(filename)[0] + '.xlsx'
            excel_path = os.path.join(directory, excel_filename)
            df.to_excel(excel_path, index=False)
            print(f'Processed {filename} to {excel_filename}')


# 调用函数,指定目录
batch_process_word_to_excel('D:\\test')
相关推荐
努力的家伙是不讨厌的34 分钟前
解析json导出csv或者直接入库
开发语言·python·json
云空1 小时前
《Python 与 SQLite:强大的数据库组合》
数据库·python·sqlite
凤枭香2 小时前
Python OpenCV 傅里叶变换
开发语言·图像处理·python·opencv
测试杂货铺2 小时前
外包干了2年,快要废了。。
自动化测试·软件测试·python·功能测试·测试工具·面试·职场和发展
艾派森2 小时前
大数据分析案例-基于随机森林算法的智能手机价格预测模型
人工智能·python·随机森林·机器学习·数据挖掘
小码的头发丝、2 小时前
Django中ListView 和 DetailView类的区别
数据库·python·django
Chef_Chen3 小时前
从0开始机器学习--Day17--神经网络反向传播作业
python·神经网络·机器学习
千澜空3 小时前
celery在django项目中实现并发任务和定时任务
python·django·celery·定时任务·异步任务
斯凯利.瑞恩3 小时前
Python决策树、随机森林、朴素贝叶斯、KNN(K-最近邻居)分类分析银行拉新活动挖掘潜在贷款客户附数据代码
python·决策树·随机森林
yannan201903134 小时前
【算法】(Python)动态规划
python·算法·动态规划