从微软 Word 中提取数据

news2024/10/2 8:31:13

从 Microsoft Word 文档中提取数据可以通过编程来实现，有几种常见的方法，其中之一是使用 Python 和 python-docx 库。python-docx 是一个处理 .docx 文件（Microsoft Word 文档）的 Python 库，可以读取和操作 Word 文档的内容。以下就是我如何使用 python-docx 库从 Word 文档中提取数据的步骤和示例代码：

在这里插入图片描述

1、问题背景

我们需要从微软 Word 文件中提取数据到数据库中，以便可以从网络界面中查看这些数据。当前公司的情况是在 Word 文件中记录了大量会议纪要，由于过去的操作习惯和延续性，这种做法一直保留了下来。

但是，这种做法给我们带来了许多不便，需要将会议纪要中的任务提取出来，将任务变成数据库中的记录，并且当任务完成时需要在数据库中更新其状态。我们希望找到一种最佳的方法来完成这一任务。

2、解决方案

我们提出了几种可能的解决方案来完成这一任务：

使用 Word 中的 VBA 宏来创建 CSV 文件，然后将 CSV 文件上传到数据库中。
使用 Word 中的 VBA 宏连接到数据库，然后将数据直接插入到数据库中。
使用 Python 脚本通过 win32com 来提取数据，然后将数据上传到数据库中。

对于最后一种方法，由于需要使用 Django 来开发网络界面，因此我们倾向于采用这种方法。但是，这需要我们在 Python 中使用 win32com 来操作 Word 文件，这是我们从未使用过的。我们希望找到一种方法来解决这个问题。

此外，我们还在提取数据的过程中遇到了一个小问题，当我们从 Word 表格中提取字符串时，在每个字符串的末尾都会出现一个奇怪的小方框字符。我们希望找到一种方法来解决这个问题。

根据以上所述，我们可以选择下面这些方案：

使用 OpenOffice 来打开 Word 文件，然后使用 Python 宏来提取数据。
使用 VBA 宏从 Word 中提取数据，并使用 Left() 函数来去除字符串末尾的小方框字符。
使用 win32com 从 Word 中提取数据，并使用 Left() 函数来去除字符串末尾的小方框字符。

对于第一种方案，使用 OpenOffice 来打开 Word 文件，然后使用 Python 宏来提取数据。这种方案的好处是，OpenOffice 可以直接打开 Word 文件，并且可以使用 Python 宏来提取数据，这对于我们来说比较简单。

对于第二种方案，使用 VBA 宏从 Word 中提取数据，并使用 Left() 函数来去除字符串末尾的小方框字符。这种方案的好处是，我们可以直接在 Word 中运行 VBA 宏，并且使用 Left() 函数来去除字符串末尾的小方框字符，这对于我们来说也比较简单。

对于第三种方案，使用 win32com 从 Word 中提取数据，并使用 Left() 函数来去除字符串末尾的小方框字符。这种方案的好处是，我们可以使用 Python 脚本来提取数据，并且使用 Left() 函数来去除字符串末尾的小方框字符，这对于我们来说也比较简单。

我们最终选择第三种方案，使用 win32com 从 Word 中提取数据，并使用 Left() 函数来去除字符串末尾的小方框字符。这种方案的好处是，我们可以使用 Python 脚本来提取数据，并且使用 Left() 函数来去除字符串末尾的小方框字符，这对于我们来说也比较简单。

以下是一个使用 Python 脚本从 Word 中提取数据的示例代码：

import win32com.client

word = win32com.client.Dispatch('Word.Application')
doc = word.Open('d:\\stuff\\myfile.doc')
doc.SaveAs(FileName='d:\\stuff\\text\\myfile.txt', FileFormat=?)  # not sure what to use for ?

这段代码的功能是，使用 win32com 打开 Word 文件并将其另存为纯文本文件。然后，我们可以使用 Python 来读取纯文本文件并提取数据。

全部代码：

1、安装库：
确保你已经安装了 python-docx 库。如果没有安装，可以使用以下命令进行安装：

pip install python-docx

2、编写代码：
使用 python-docx 库打开并读取 Word 文档中的文本。以下是一个基本示例：

from docx import Document

def extract_text_from_docx(file_path):
    # 打开文档
    doc = Document(file_path)
    # 存储所有文本的列表
    full_text = []

    # 遍历文档中的每一个段落
    for paragraph in doc.paragraphs:
        full_text.append(paragraph.text)

    # 合并所有段落文本
    return '\n'.join(full_text)

# 指定 Word 文件的路径
file_path = 'example.docx'
text = extract_text_from_docx(file_path)
print(text)

在这个示例中，我们定义了一个函数 extract_text_from_docx，该函数接受 Word 文档的文件路径作为参数，使用 Document 类打开文档，并遍历文档中的每个段落，将段落文本提取并存储到一个列表中，最后合并所有段落文本并返回。

如果你需要提取特定的内容，例如表格数据、特定样式的段落或带有特定格式的文本，可以在遍历文档时添加更多的逻辑处理。例如，下面是一个提取表格数据的示例：

def extract_tables_from_docx(file_path):
    # 打开文档
    doc = Document(file_path)
    tables_data = []

    # 遍历文档中的每一个表格
    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)
        tables_data.append(table_data)

    return tables_data

# 指定 Word 文件的路径
file_path = 'example.docx'
tables = extract_tables_from_docx(file_path)
for table in tables:
    for row in table:
        print('\t'.join(row))