前言
有一天朋友A向我抱怨，他的老板要求他把幾百份word填好的word表格簡歷信息整理到excel中，看著他一個個將姓名，年齡……從word表格里復制粘貼到excel里，邊粘貼心里邊暗暗詛咒著自己的boss……但畢竟新手小白，又不能違背老板的意愿說我不干了，愛咋咋地，于是過來向我求助。我說，這事情好辦啊，學學python就能解決啊，簡單容易上手。好了，接下來進入正題。
思路：首先針對每一份word表格進行分析
怎么才能利用python獲取到word表格里面的信息，最初的想法是把word里面的表格轉成網(wǎng)頁格式，畢竟混跡爬蟲淺水區(qū)多年，用正則表達式處理網(wǎng)頁來獲取信息是比較輕松的，于是想到把word轉成網(wǎng)頁格式，這么一想，整個人都瘋了，幾百份文件打開然后轉成網(wǎng)頁，那也有不少勞動量啊。于是在網(wǎng)上搜了許久，發(fā)現(xiàn)docx文件自己本身是壓縮文件，打開壓縮包之后竟然發(fā)現(xiàn)里面有個專門存儲word里面文本的文件。
打開文件找，發(fā)現(xiàn)我們想要的信息全都藏在這個名為document.xml的文件里
于是基本過程就可以確定了
1. 打開docx的壓縮包
2. 獲取word里面的正文信息
3. 利用正則表達式匹配出我們想要的信息
4. 將信息存儲到txt中（txt可以用excel打開）
5. 批量調(diào)用上述過程，完成一萬份簡歷的提取工作
6. （檢查數(shù)據(jù)是否有錯誤或缺失）
0x01 獲取docx信息
利用python的zipfile庫以及re庫來處理docx壓縮包里面的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里的所有標記符
###如果多份簡歷在同一個word文件里###
#table_list = text.split("XX簡歷")[1:]#依據(jù)簡歷標題切分每一份簡歷信息
#return table_list
return text
打印text的結果
自此，輸出了簡歷中的所有相關信息
0x02 抓取各字段值
接下來根據(jù)這些相關信息抓取各個字段的值
import re
def get_field_value(text):
value_list = []
m = re.findall(r"姓 名(.*?)性 別", table)
value_list.append(m)
m = re.findall(r"性 別(.*?)學 歷", table)
value_list.append(m)
m = re.findall(r"民 族(.*?)健康狀況", table)
value_list.append(m)
'''
此處省略其他字段匹配
'''
return value_list
這樣就將每個字段匹配到的內(nèi)容以一個列表的形式返回了
0x03 將內(nèi)容寫入到文件
接下來將這個列表里的內(nèi)容寫入到txt中
str1 = ""
for value in value_list:
str1 = str1 + str(value[0]) + "\t"#每個字段值用制表符\t分隔
str1 = str1 + "\n"
with open("result.txt", "a+") as f:#將內(nèi)容以追加形式寫入到result.txt中
f.write(str1)
以上是將一個word轉成了txt
只要再對文件夾中的文件進行批量處理就ok了
0x04 批量處理完整代碼
以下附上完整代碼
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里的所有標記符
###如果多份簡歷在同一個word文件里###
table_list = text.split("XX簡歷")[1:]#依據(jù)簡歷標題切分每一份簡歷信息
return table_list
def get_field_value(text):
value_list = []
m = re.findall(r"姓 名(.*?)性 別", table)
value_list.append(m)
m = re.findall(r"性 別(.*?)學 歷", table)
value_list.append(m)
m = re.findall(r"民 族(.*?)健康狀況", table)
value_list.append(m)
'''
此處省略其他字段匹配
'''
return value_list
cv_list = []
for i in os.listdir(os.getcwd()):
a = os.path.splitext(os.getcwd() + "\\" + i)#獲取當前目錄下所有文件的文件名
if a[1] == '.docx':#如果文件后綴
print(os.getcwd()+"\\"+i)
cv_list = cv_list + get_document(os.getcwd() + "\\" + i)#每份簡歷信息為一個列表元素
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)
一萬份word表格簡歷信息轉成了txt，然后用excel打開txt即可。
補充：python word表格一些操作
數(shù)據(jù)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):
"""創(chuàng)建word表格以及插入數(shù)據(jù)"""
doc = Document()
doc.styles['Normal'].font.name = 'Calibri' # 是用來設置當文字是西文時的字體，
doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋體') # 是用來設置當文字是中文時的字體
# doc.styles['Normal'].font.size = Pt(14) # 設置所有文字字體大小為14
distance = Inches(0.5)
sec = doc.sections[0] # sections對應文檔中的“節(jié)”
sec.left_margin = distance # 以下依次設置左、右、上、下頁面邊距
sec.right_margin = distance
sec.top_margin = distance
sec.bottom_margin = distance
sec.page_width = Inches(11.7) # 設置頁面寬度
# sec.page_height = Inches(9) # 設置頁面高度
# doc.add_heading() # 設置標題，但是不符合我的條件，只能試用下方p.add_run('我是文字')
p = doc.add_paragraph() # 添加段落
p.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER # 設置中央對齊
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 # 設置中央對齊
p.add_run(str(datas[i][j]))
ph_format = p.paragraph_format
# ph_format.space_before = Pt(10) # 設置段前間距
# ph_format.space_after = Pt(12) # 設置段后間距
ph_format.line_spacing = Pt(40) # 設置行間距
doc.save('./files/項目總結.docx')
生成示例
可能出現(xiàn)的錯誤，[Errno 13] Permission denied: ‘./files/項目進展總結.docx'
是因為你打開文件未關閉，操作不了，關閉他就好了
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- 使用Python 統(tǒng)計文件夾內(nèi)所有pdf頁數(shù)的小工具
- 20行Python代碼實現(xiàn)一款永久免費PDF編輯工具的實現(xiàn)
- 用python 制作圖片轉pdf工具
- Python開發(fā)的單詞頻率統(tǒng)計工具wordsworth使用方法
- Python快速優(yōu)雅的批量修改Word文檔樣式
- python提取word文件中的所有圖片
- 教你如何利用Python批量翻譯英文Word文檔并保留格式
- 詳解用Python把PDF轉為Word方法總結
- python 三種方法提取pdf中的圖片
- 只用40行Python代碼就能寫出pdf轉word小工具
