基于Python实现Word文档内容批量提取与Excel自动化存储
引言
在日常办公场景中，常需要从大量Word文档中提取结构化数据并整理到Excel表格中。传统手动操作效率低下，本文介绍如何通过Python实现自动化批处理，使用python-docx和openpyxl库完成以下功能：
-
批量读取指定目录下的Word文档
-
解析文档中的文本、表格等内容
-
按规则存储到Excel文件
-
实现高效准确的数据迁移
一、环境准备
1.1 安装依赖库
```bash
pip install python-docx openpyxl pandas
```
1.2 库说明
-
**python-docx**: 读写Word文档
-
**openpyxl**: 操作Excel文件
-
**pandas**: 数据整理与导出
二、实现步骤
2.1 创建基础框架
```python
import os
from docx import Document
import pandas as pd
def process_word_files(input_dir, output_file):
data = []
for filename in os.listdir(input_dir):
if filename.endswith('.docx'):
filepath = os.path.join(input_dir, filename)
doc_data = parse_word(filepath)
data.append(doc_data)
save_to_excel(data, output_file)
def parse_word(filepath):
解析逻辑
pass
def save_to_excel(data, output_file):
存储逻辑
pass
```
2.2 文档解析函数实现
```python
def parse_word(filepath):
doc = Document(filepath)
result = {
'filename': os.path.basename(filepath),
'paragraphs': [],
'tables': []
}
提取段落文本
for para in doc.paragraphs:
if para.text.strip():
result['paragraphs'].append(para.text)
提取表格数据
for table in doc.tables:
table_data = []
for row in table.rows:
row_data = [cell.text for cell in row.cells]
table_data.append(row_data)
result['tables'].append(table_data)
return result
```
2.3 Excel存储函数优化
```python
def save_to_excel(data, output_file):
excel_data = []
for item in data:
处理段落数据
para_str = '\n'.join(item['paragraphs'])
处理表格数据
table_str = ''
for i, table in enumerate(item['tables'], 1):
table_str += f'Table {i}:\n'
table_str += '\n'.join([' | '.join(row) for row in table])
table_str += '\n\n'
excel_data.append({
'文件名': item['filename'],
'正文内容': para_str,
'表格内容': table_str.strip()
})
df = pd.DataFrame(excel_data)
df.to_excel(output_file, index=False)
```
三、高级处理技巧
3.1 结构化数据提取
```python
示例：提取带特定样式的文本
def extract_special_paragraphs(doc):
special_texts = []
for para in doc.paragraphs:
if para.style.name.startswith('Heading'):
special_texts.append({
'style': para.style.name,
'text': para.text
})
return special_texts
```
3.2 表格数据精准定位
```python
def extract_specific_table(doc, table_index=0):
try:
table = doc.tables[table_index]
return [[cell.text for cell in row.cells] for row in table.rows]
except IndexError:
return []
```
3.3 批量处理增强
```python
多线程处理加速
from concurrent.futures import ThreadPoolExecutor
def batch_process(files):
with ThreadPoolExecutor() as executor:
results = list(executor.map(parse_word, files))
return results
```
四、执行与测试
```python
if name == 'main':
input_folder = './documents'
output_file = './output.xlsx'
process_word_files(input_folder, output_file)
```
五、注意事项
-
文件编码统一保存为UTF-8
-
处理复杂表格时建议添加边界检查
-
使用try-except块处理异常文档
-
大数据量时建议分批次写入Excel
结论
本方案实现了从Word到Excel的自动化数据迁移，可处理数百文档的批量操作。通过扩展解析逻辑，可适配各类文档模板，结合正则表达式等工具还能实现更复杂的内容提取。最终代码已开源在