前言
有一天朋友A向我抱怨，他的老板要求他把几百份word填好的word表格简历信息整理到excel中，看着他一个个将姓名，年龄……从word表格里复制粘贴到excel里，边粘贴心里边暗暗诅咒着自己的boss……但毕竟新手小白，又不能违背老板的意愿说我不干了，爱咋咋地，于是过来向我求助。我说，这事情好办啊，学学python就能解决啊，简单容易上手。好了，接下来进入正题。
思路：首先针对每一份word表格进行分析
怎么才能利用python获取到word表格里面的信息，最初的想法是把word里面的表格转成网页格式，毕竟混迹爬虫浅水区多年，用正则表达式处理网页来获取信息是比较轻松的，于是想到把word转成网页格式，这么一想，整个人都疯了，几百份文件打开然后转成网页，那也有不少劳动量啊。于是在网上搜了许久，发现docx文件自己本身是压缩文件，打开压缩包之后竟然发现里面有个专门存储word里面文本的文件。
打开文件找，发现我们想要的信息全都藏在这个名为document.xml的文件里
于是基本过程就可以确定了
1. 打开docx的压缩包
2. 获取word里面的正文信息
3. 利用正则表达式匹配出我们想要的信息
4. 将信息存储到txt中（txt可以用excel打开）
5. 批量调用上述过程，完成一万份简历的提取工作
6. （检查数据是否有错误或缺失）
0x01 获取docx信息
利用python的zipfile库以及re库来处理docx压缩包里面的document.xml文件里的信息。
import zipfile
import re
def get_document(filepath):
z = zipfile.ZipFile(filepath, "r")
text = z.read("word/document.xml").decode("UTF-8")
text = re.sub(r"<.*?>", "", text)#去除xml里的所有标记符
###如果多份简历在同一个word文件里###
#table_list = text.split("XX简历")[1:]#依据简历标题切分每一份简历信息
#return table_list
return text打印text的结果
自此，输出了简历中的所有相关信息
0x02 抓取各字段值
接下来根据这些相关信息抓取各个字段的值
import re
def get_field_value(text):
value_list = []
m = re.findall(r"姓 名(.*?)性 别", table)
value_list.append(m)
m = re.findall(r"性 别(.*?)学 历", table)
value_list.append(m)
m = re.findall(r"民 族(.*?)健康状况", table)
value_list.append(m)
'''
此处省略其他字段匹配
'''
return value_list这样就将每个字段匹配到的内容以一个列表的形式返回了
0x03 将内容写入到文件
接下来将这个列表里的内容写入到txt中
str1 = ""
for value in value_list:
str1 = str1 + str(value[0]) + "\t"#每个字段值用制表符\t分隔
str1 = str1 + "\n"
with open("result.txt", "a+") as f:#将内容以追加形式写入到result.txt中
f.write(str1)以上是将一个word转成了txt
只要再对文件夹中的文件进行批量处理就ok了
0x04 批量处理完整代码
以下附上完整代码
import re
import zipfile
import os
def get_document(filepath):
z = zipfile.ZipFile(filepath, "r")
text = z.read("word/document.xml").decode("UTF-8")
text = re.sub(r"<.*?>", "", text)#去除xml里的所有标记符
###如果多份简历在同一个word文件里###
table_list = text.split("XX简历")[1:]#依据简历标题切分每一份简历信息
return table_list
def get_field_value(text):
value_list = []
m = re.findall(r"姓 名(.*?)性 别", table)
value_list.append(m)
m = re.findall(r"性 别(.*?)学 历", table)
value_list.append(m)
m = re.findall(r"民 族(.*?)健康状况", table)
value_list.append(m)
'''
此处省略其他字段匹配
'''
return value_list
cv_list = []
for i in os.listdir(os.getcwd()):
a = os.path.splitext(os.getcwd() + "\\" + i)#获取当前目录下所有文件的文件名
if a[1] == '.docx':#如果文件后缀
print(os.getcwd()+"\\"+i)
cv_list = cv_list + get_document(os.getcwd() + "\\" + i)#每份简历信息为一个列表元素
for i in cv_list:
value_list = get_field_value(i)
str1 = ""
for value in value_list:
str1 = str1 + str(value[0]) + "\t"
str1 = str1 + "\n"
with open("result.txt", "a+") as f:
f.write(str1)
一万份word表格简历信息转成了txt，然后用excel打开txt即可。
补充：python word表格一些操作
数据格式（datas）： 列表套列表
aa =[ [1,2,3,4,5],[6,7,8,9],[]…]
import os
import requests
import json
import datetime
from docx import Document
from docx.shared import Inches, Pt, Cm
from docx.oxml.ns import qn
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
def create_insert_word_table(datas, stday, etday, s):
"""创建word表格以及插入数据"""
doc = Document()
doc.styles['Normal'].font.name = 'Calibri' # 是用来设置当文字是西文时的字体，
doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋体') # 是用来设置当文字是中文时的字体
# doc.styles['Normal'].font.size = Pt(14) # 设置所有文字字体大小为14
distance = Inches(0.5)
sec = doc.sections[0] # sections对应文档中的“节”
sec.left_margin = distance # 以下依次设置左、右、上、下页面边距
sec.right_margin = distance
sec.top_margin = distance
sec.bottom_margin = distance
sec.page_width = Inches(11.7) # 设置页面宽度
# sec.page_height = Inches(9) # 设置页面高度
# doc.add_heading() # 设置标题，但是不符合我的条件，只能试用下方p.add_run('我是文字')
p = doc.add_paragraph() # 添加段落
p.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER # 设置中央对齐
run = p.add_run('我是文字')
run.font.size = Pt(22)
doc.add_paragraph() # 添加空段落
# 添加表格
table = doc.add_table(rows=1, cols=10, style='Table Grid')
table.style.name = 'Table Grid'
table.style.font.size = Pt(14)
table.rows[0].height = Cm(20)
title = table.rows[0].cells
title[0].text = '姓名'
title[1].text = '1'
title[2].text = '2'
title[3].text = '3'
title[4].text = '4'
title[5].text = '5'
title[6].text = '6 '
title[7].text = '7'
title[8].text = '8'
title[9].text = '9'
for i in range(len(datas)):
cels = table.add_row().cells
for j in range(len(datas[i])):
# cels[j].text = str(datas[i][j])
p = cels[j].paragraphs[0]
p.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER # 设置中央对齐
p.add_run(str(datas[i][j]))
ph_format = p.paragraph_format
# ph_format.space_before = Pt(10) # 设置段前间距
# ph_format.space_after = Pt(12) # 设置段后间距
ph_format.line_spacing = Pt(40) # 设置行间距
doc.save('./files/项目总结.docx')
生成示例
可能出现的错误，[Errno 13] Permission denied: ‘./files/项目进展总结.docx'
是因为你打开文件未关闭，操作不了，关闭他就好了
以上为个人经验，希望能给大家一个参考，也希望大家多多支持编程网。如有错误或未考虑完全的地方，望不吝赐教。
