word文檔的python解析

主要兩塊，第一個是文件類型的轉換，第二個是用docx包去對word文檔中的table進行parse

1. 文件格式裝換

因為很多各種各樣的原因，至今還有一些word文檔是doc的格式存的，對於這種，如果我們想用python對這個word文檔中的內容進行解析的話，理論上必須要處理成docx先。

如果你剛好是個mac的用戶，那你可以不用弄了，因為如果你用python+osx的系統，這個就是個無解的事情，可以考慮下用java之類的方式處理。但是幸運的是我找了一台機器是win系統的，然后我就處理了，代碼如下：

import os
from win32com import client


def doc_to_docx(path):
    if os.path.splitext(path)[1] == ".doc":
        word = client.Dispatch('Word.Application')
        doc = word.Documents.Open(path)  # 目標路徑下的文件
        doc.SaveAs(os.path.splitext(path)[0] + ".docx", 16)  # 轉化后路徑下的文件
        doc.Close()
        word.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


if __name__ == "__main__":
    dir_path = "E:\yschen3\pyprogram\線下二維碼活動"
    ext = ".doc"
    file_list = find_file(dir_path, ext)
    for file in file_list:
        doc_to_docx(file)
        print(file)

大概就是這樣，用了個win32com這個包，非常容易，接下來，我們就可以用python-docx來處理了

 

2. 表格的處理

這里python有個包教python-dox，就是專門做這個事情的，他可以對段落，表格進行解析和處理。大概說下邏輯

1. 會讀出所有的表格

2. 然后對表格里面的行，一行一行的讀

3. 真對一行，就是一個格子一個格子的讀

 

這里對於合並處理的單元格，默認的邏輯是，分成兩個，寫出相同的內容，保持表格維度的一致性，當然這里可以看你的需求，你可以在讀取的過程中，做一次簡單的去重過濾。

這里代碼在這里：

import os
from win32com import client


def doc_to_docx(path):
    if os.path.splitext(path)[1] == ".doc":
        word = client.Dispatch('Word.Application')
        doc = word.Documents.Open(path)  # 目標路徑下的文件
        doc.SaveAs(os.path.splitext(path)[0] + ".docx", 16)  # 轉化后路徑下的文件
        doc.Close()
        word.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


if __name__ == "__main__":
    dir_path = "E:\yschen3\pyprogram\線下二維碼活動"
    ext = ".doc"
    file_list = find_file(dir_path, ext)
    for file in file_list:
        doc_to_docx(file)
        print(file)