用Python写几行代码，一分钟搞定一天工作量，同事直呼：好家伙！
共 10490字，需浏览 21分钟
·
2021-04-28 12:49
点击上方Python知识圈，设为星标
回复100获取100题PDF
阅读文本大概需要 5 分钟
大家好，我是pk哥。
前几天有一个读者说最近要整理几千份文件，头都要整秃了，不知道能不能用Python解决，我们来看一下，你也可以思考一下。
由于涉及文件私密所以具体内容已做脱敏处理。
大概是这样，一个文件夹下有多份会议通知信息（本文以 7 份文件为例）
每一份通知打开格式基本类似，如下所示👇
现在需要将每份会议文档中的 学习时间、学习内容、学习形式、主持人 四项关键信息提取出来，整理到 Excel 表格中：
在他真实需求中，会议通知四年积累下来有快 1000 份（四年开了这么多次会也是很厉害...），用人力挨个打开文件并录到 Excel 中工作量实在太大。
好家伙，这种重复的无聊工作， 不就是一份非常适合交给 Python 的自动化工作吗？我不允许我的粉丝还不会！
下面我们来看看如何用Python解决这个问题，主要将涉及：
-
openpyxl写入 Excel 文件 -
python-docx读取 Word 文件 -
glob批量获取文件路径
为了简化上面的需求，本文中需要获取的会议通知文件一共 7 个，分别命名为 会议通知1.docx 会议通知2.docx... 会议通知7.docx，存放在 Notice 文件夹下。输出的目标 Excel 文件命名为 Meeting_temp.xlsx
基本逻辑
写代码之前都先明确完整的问题需要分为几个小步骤实现。从需求中我们大概可以将代码分为以下几步：
“”
获取会议通知 Notice 文件夹下的所有文件； 解析每一份 Word 文件，获取需要的四个信息，输出到 Excel 中； 保存 Excel 文件
有了逻辑就有了写代码的思路了。第 1 步可以由 glob 库完成，后面两步就是操作 Word 的 python-docx 库和操作 Excel 的 openpyxl 库的交互协作了。
代码实现
首先导入需要的库：
from docx import Document
from openpyxl import load_workbook
import glob
将模板 Excel 读取进程序：
path = r'C:\Users\xxx' # 路径为会议通知文件夹和 Excel 模板所在的位置，可按实际情况更改
workbook = load_workbook(path + r'\Meeting_temp.xlsx')
sheet = workbook.active
写任何批处理的代码之前都建议先写一下单次操作的代码，因此我们先完成对 会议通知 1.docx 文件的解析，确保无误。现在对于文档的结构和关键信息的位置尚不明确，可以先将 Word 以段落 Paragraph 为单位输出观察：
wordfile = Document(path + r'\Notice\会议通知 1.docx')
for paragraph in wordfile.paragraphs:
print(paragraph)
文件的文字排布脉络比较清晰，基本是一句话对应一个段落，而需要的信息可以简单通过判断每句话（每段话）前几个字而明确：
for paragraph in wordfile.paragraphs:
if paragraph.text[0:5] == '学习时间：':
study_time = paragraph.text[5:]
if paragraph.text[0:4] == '主持人：':
host = paragraph.text[4:]
if paragraph.text[0:5] == '学习形式：':
study_type = paragraph.text[5:]
对于学习内容的获取比较特殊，不像其他三个信息，都在一句话中，且关键字就为前几个字：
可以看到，“学习内容” 四个字和真正包含的内容分散在不同的句子中. 这里简单用一个策略：
“建立一个空列表存放，然后遍历每一段判断，如果一个字符为数字且第二个字符为中文顿号
”“、”就获取存放到列表中。最后把列表中的元素重新组合成一个长字符串即可：
content_lst = []
for paragraph in wordfile.paragraphs:
if paragraph.text[0:5] == '学习时间：':
study_time = paragraph.text[5:]
if paragraph.text[0:4] == '主持人：':
host = paragraph.text[4:]
if paragraph.text[0:5] == '学习形式：':
study_type = paragraph.text[5:]
if len(paragraph.text) >= 2:
if paragraph.text[0].isdigit() and paragraph.text[1] == '、':
content_lst.append(paragraph.text)
content = ' '.join(content_lst)
完成了解析 Word 文件之后，就需要把内容输出的 Excel 文件中了。
简单来说，就是将上面代码获取到的几个元素组合成一个列表，通过 sheet.append(list) 的方法写入 Excel 文件中：
number = 0 # 全局中设置一个变量用于计数，做为序号输出
wordfile = Document(path + r'\Notice\会议通知 1.docx')
content_lst = []
for paragraph in wordfile.paragraphs:
if paragraph.text[0:5] == '学习时间：':
study_time = paragraph.text[5:]
if paragraph.text[0:4] == '主持人：':
host = paragraph.text[4:]
if paragraph.text[0:5] == '学习形式：':
study_type = paragraph.text[5:]
if len(paragraph.text) >= 2:
if paragraph.text[0].isdigit() and paragraph.text[1] == '、':
content_lst.append(paragraph.text)
content = ' '.join(content_lst)
number += 1
sheet.append([number, study_time, content, study_type, host])
单个文件解析完，用 glob 改完获取文件夹下全部文件，建立循环逐个解析就能完成本需求，当然最后记得保存 Excel 文件。
完整代码如下👇
from docx import Document
from openpyxl import load_workbook
import glob
path = r'C:\Users\xxx'
workbook = load_workbook(path + r'\Meeting_temp.xlsx')
sheet = workbook.active
number = 0
for file in glob.glob(path + r'\Notice\*.docx'):
wordfile = Document(file)
content_lst = []
for paragraph in wordfile.paragraphs:
if paragraph.text[0:5] == '学习时间：':
study_time = paragraph.text[5:]
if paragraph.text[0:4] == '主持人：':
host = paragraph.text[4:]
if paragraph.text[0:5] == '学习形式：':
study_type = paragraph.text[5:]
if len(paragraph.text) >= 2:
if paragraph.text[0].isdigit() and paragraph.text[1] == '、':
content_lst.append(paragraph.text)
content = ' '.join(content_lst)
number += 1
sheet.append([number, study_time, content, study_type, host])
workbook.save(path + r'\Meeting_notice.xlsx')
核心也不过三十行代码，总共不过三秒就搞定了！
往期推荐
01
02
03
↓点击阅读原文查看pk哥原创视频
我就知道你“在看”
