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。
这两个库我们都有说过，如果你不熟悉，一定要先阅读下面的文章！
代码实现
首先导入需要的库：
1from docx import Document 2from openpyxl import load_workbook 3import glob 4
将模板 Excel 读取进程序：
1path = 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 2workbook = load_workbook(path + r'\Meeting_temp.xlsx') 3sheet = workbook.active 4
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：
1wordfile = Document(path + r'\Notice\会议通知 1.docx') 2for paragraph in wordfile.paragraphs: 3 print(paragraph) 4
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：
1 for paragraph in wordfile.paragraphs: 2 if paragraph.text[0:5] == '学习时间：': 3 study_time = paragraph.text[5:] 4 if paragraph.text[0:4] == '主持人：': 5 host = paragraph.text[4:] 6 if paragraph.text[0:5] == '学习形式：': 7 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：”
1 content_lst = [] 2 for paragraph in wordfile.paragraphs: 3 if paragraph.text[0:5] == '学习时间：': 4 study_time = paragraph.text[5:] 5 if paragraph.text[0:4] == '主持人：': 6 host = paragraph.text[4:] 7 if paragraph.text[0:5] == '学习形式：': 8 study_type = paragraph.text[5:] 9 if len(paragraph.text) >= 2: 10 if paragraph.text[0].isdigit() and paragraph.text[1] == '、': 11 content_lst.append(paragraph.text) 12 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：
1number = 0 # 全局中设置一个变量用于计数，做为序号输出 2 3wordfile = Document(path + r'\Notice\会议通知 1.docx') 4content_lst = [] 5for paragraph in wordfile.paragraphs: 6 if paragraph.text[0:5] == '学习时间：': 7 study_time = paragraph.text[5:] 8 if paragraph.text[0:4] == '主持人：': 9 host = paragraph.text[4:] 10 if paragraph.text[0:5] == '学习形式：': 11 study_type = paragraph.text[5:] 12 if len(paragraph.text) >= 2: 13 if paragraph.text[0].isdigit() and paragraph.text[1] == '、': 14 content_lst.append(paragraph.text) 15content = ' '.join(content_lst) 16number += 1 17sheet.append([number, study_time, content, study_type, host]) 18
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👇
1from docx import Document 2from openpyxl import load_workbook 3import glob 4 5path = r'C:\Users\xxx' 6workbook = load_workbook(path + r'\Meeting_temp.xlsx') 7sheet = workbook.active 8number = 0 9 10for file in glob.glob(path + r'\Notice\*.docx'): 11 wordfile = Document(file) 12 content_lst = [] 13 for paragraph in wordfile.paragraphs: 14 if paragraph.text[0:5] == '学习时间：': 15 study_time = paragraph.text[5:] 16 if paragraph.text[0:4] == '主持人：': 17 host = paragraph.text[4:] 18 if paragraph.text[0:5] == '学习形式：': 19 study_type = paragraph.text[5:] 20 if len(paragraph.text) >= 2: 21 if paragraph.text[0].isdigit() and paragraph.text[1] == '、': 22 content_lst.append(paragraph.text) 23 content = ' '.join(content_lst) 24 number += 1 25 sheet.append([number, study_time, content, study_type, host]) 26 27workbook.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！
-------------------********************************** End **********-------------**-----********-**********************************
往期精彩文章推荐：
欢迎各位大佬点击链接加入群聊【helloworld开发者社区】：https://jq.qq.com/?_wv=1027&k=mBlk6nzX进群交流IT技术热点。
本文转自 https://mp.weixin.qq.com/s/TDXL2Cu5unH6XZgvbKxFcw，如有侵权，请联系删除。