【chatGPT】用chatGPT写代码（二）----在doc文档里面提取指定字符之间的内容，内容保存到对应的excel的独立单元。

最新推荐文章于 2024-07-24 00:52:05 发布
最新推荐文章于 2024-07-24 00:52:05 发布
阅读量181 收藏
点赞数
文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hellotzx/article/details/130801679
版权

# This is a sample Python script.

# Press Shift+F10 to execute it or replace it with your code.
# Press Double Shift to search everywhere for classes, files, tool windows, actions, and settings.
'''
import pandas as pd
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.pdfpage import PDFPage
from pdfminer.layout import LAParams, LTTextBoxHorizontal

# 需要解析的PDF文件路径
pdf_file_path = 'D:\SVN\kernel_project\产品管理\产品技术规范\Autosar\CP\R4.2.2\AUTOSAR_SWS_OS.pdf'

def main():
# 打开PDF文件并解析内容
with open(pdf_file_path, 'rb') as fp:
parser = PDFParser(fp)
doc = PDFDocument(parser)
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFDevice(rsrcmgr)
interpreter = PDFPageInterpreter(rsrcmgr, device)

# 用于保存PDF内容的列表
content_list = []

# 遍历PDF页面，查找特定字段
for page in PDFPage.create_pages(doc):
interpreter.process_page(page)
layout = device.get_result()
for lt_obj in layout:
if isinstance(lt_obj, LTTextBoxHorizontal):
# 这里需要根据实际情况设置需要查找的字段和相应的条件
if '[SWS_Os' in lt_obj.get_text() and '⌋ ( )' in lt_obj.get_text():
# 将匹配到的字段按照空格分割，并去除多余的空格和换行符
fields = [field.strip() for field in lt_obj.get_text().split(' ') if field.strip()]
# 将字段添加到内容列表中
content_list.append(fields)

# 将内容保存到Excel表格中
df = pd.DataFrame(content_list)
df.to_excel('output.xlsx', index=False, header=False)
'''

'''
from docx import Document
import xlwt


def extract_fields_from_word(docx_path, fields, output_path):
doc = Document(docx_path)

# 创建 Excel 工作簿和工作表
workbook = xlwt.Workbook()
worksheet = workbook.add_sheet('Extracted Fields')

# 设置 Excel 表头
worksheet.write(0, 0, 'Word File')
for row, field in enumerate(fields):
worksheet.write(row + 1, 0, field)

# 提取字段内容并保存到 Excel 表格
for col, field in enumerate(fields):
worksheet.write(0, col + 1, field)

for paragraph in doc.paragraphs:
if field in paragraph.text:
extracted_text = paragraph.text.replace(field, "").strip()
worksheet.write(fields.index(field) + 1, col + 1, extracted_text)

# 保存 Excel 表格
workbook.save(output_path)


# 使用示例
def main():
docx_path = "D:\WorkspaceTZX\实习期工作\AUTOSAR_SWS_OS.docx" # 替换为实际的 Word 文档路径
fields = ['[SWS_Os', '⌋ ( )'] # 替换为要提取的字段列表
output_path = "D:\WorkspaceTZX\实习期工作\AUTOSAR_SWS_OS.xls" # 替换为输出的 Excel 表格路径

extract_fields_from_word(docx_path, fields, output_path)
'''

import mysql.connector
import xlwt
from docx import Document

'''
def extract_text_between_fields(docx_path, field1, field2, output_path):
doc = Document(docx_path)
extracted_text = ""
is_between_fields = False

for paragraph in doc.paragraphs:
#if field1 in paragraph.text and field2 in paragraph.text:
if field1 in paragraph.text:
extracted_text += paragraph.text + "\n"
is_between_fields = True
####
elif field2 in paragraph.text:
extracted_text += paragraph.text + "\n"
is_between_fields = False
elif is_between_fields:
extracted_text += paragraph.text + "\n"


mydb = mysql.connector.connect(
host="localhost", # 数据库主机地址
user="yourusername", # 数据库用户名
passwd="yourpassword" # 数据库密码
)

print(mydb)
####
# 创建 Excel 工作簿和工作表
try:
workbook = xlwt.Workbook()
worksheet = workbook.add_sheet('Extracted Text')

# 将提取的文本保存到 Excel 表格中的单元格
worksheet.write(0, 0, 'Extracted Text')
worksheet.write(1, 0, extracted_text)

# 保存 Excel 表格
workbook.save(output_path)
print("Excel 表格已经保存至",output_path)

except Exception as e:
print("创建 Excel表格时出现错误",str(e))
'''

def extract_text_between_fields(docx_path, field1, field2, output_path):
doc = Document(docx_path)
extracted_text = []
is_between_fields = False

for paragraph in doc.paragraphs:
#if field1 in paragraph.text and field2 in paragraph.text:
if field1 in paragraph.text:
extracted_text.append(paragraph.text)
is_between_fields = True
'''elif field2 in paragraph.text:
extracted_text += paragraph.text + "\n"
is_between_fields = False
elif is_between_fields:
extracted_text += paragraph.text + "\n"


mydb = mysql.connector.connect(
host="localhost", # 数据库主机地址
user="yourusername", # 数据库用户名
passwd="yourpassword" # 数据库密码
)

print(mydb)
'''
# 创建 Excel 工作簿和工作表
try:
workbook = xlwt.Workbook()
worksheet = workbook.add_sheet('Extracted Text')

# 将提取的文本保存到 Excel 表格中的单元格
for i, text in enumerate(extracted_text):
worksheet.write(i, 0, text)

# 保存 Excel 表格
workbook.save(output_path)
print("Excel 表格已经保存至",output_path)

except Exception as e:
print("创建 Excel表格时出现错误",str(e))


# 使用示例
def main():
docx_path = "D:\WorkspaceTZX\实习期工作\AUTOSAR_SWS_OS.docx" # 替换为实际的 Word 文档路径
field1 = "[SWS_Os_" # 替换为字段1的标识
field2 = "⌋" # 替换为字段2的标识
output_path = "D:\WorkspaceTZX\实习期工作\AUTOSAR_SWS_OS_1.1.xls" # 替换为输出的 Excel 表格路径

extract_text_between_fields(docx_path, field1, field2, output_path)
def print_hi(name):
# Use a breakpoint in the code line below to debug your script.
print(f'Hi, {name}') # Press Ctrl+F8 to toggle the breakpoint.


# Press the green button in the gutter to run the script.
if __name__ == '__main__':
print_hi('PyCharm')
main()

# See PyCharm help at https://www.jetbrains.com/help/pycharm/

# This is a sample Python script.

# Press Shift+F10 to execute it or replace it with your code.
# Press Double Shift to search everywhere for classes, files, tool windows, actions, and settings.
'''
import pandas as pd
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.pdfpage import PDFPage
from pdfminer.layout import LAParams, LTTextBoxHorizontal

# 需要解析的PDF文件路径
pdf_file_path = 'D:\SVN\kernel_project\产品管理\产品技术规范\Autosar\CP\R4.2.2\AUTOSAR_SWS_OS.pdf'

def main():
    # 打开PDF文件并解析内容
    with open(pdf_file_path, 'rb') as fp:
        parser = PDFParser(fp)
        doc = PDFDocument(parser)
        rsrcmgr = PDFResourceManager()
        laparams = LAParams()
        device = PDFDevice(rsrcmgr)
        interpreter = PDFPageInterpreter(rsrcmgr, device)

        # 用于保存PDF内容的列表
        content_list = []

        # 遍历PDF页面，查找特定字段
        for page in PDFPage.create_pages(doc):
            interpreter.process_page(page)
            layout = device.get_result()
            for lt_obj in layout:
                if isinstance(lt_obj, LTTextBoxHorizontal):
                    # 这里需要根据实际情况设置需要查找的字段和相应的条件
                    if '[SWS_Os' in lt_obj.get_text() and '⌋ ( )' in lt_obj.get_text():
                        # 将匹配到的字段按照空格分割，并去除多余的空格和换行符
                        fields = [field.strip() for field in lt_obj.get_text().split(' ') if field.strip()]
                        # 将字段添加到内容列表中
                        content_list.append(fields)

    # 将内容保存到Excel表格中
    df = pd.DataFrame(content_list)
    df.to_excel('output.xlsx', index=False, header=False)
'''

'''
from docx import Document
import xlwt


def extract_fields_from_word(docx_path, fields, output_path):
    doc = Document(docx_path)

    # 创建 Excel 工作簿和工作表
    workbook = xlwt.Workbook()
    worksheet = workbook.add_sheet('Extracted Fields')

    # 设置 Excel 表头
    worksheet.write(0, 0, 'Word File')
    for row, field in enumerate(fields):
        worksheet.write(row + 1, 0, field)

    # 提取字段内容并保存到 Excel 表格
    for col, field in enumerate(fields):
        worksheet.write(0, col + 1, field)

        for paragraph in doc.paragraphs:
            if field in paragraph.text:
                extracted_text = paragraph.text.replace(field, "").strip()
                worksheet.write(fields.index(field) + 1, col + 1, extracted_text)

    # 保存 Excel 表格
    workbook.save(output_path)


# 使用示例
def main():
    docx_path = "D:\WorkspaceTZX\实习期工作\AUTOSAR_SWS_OS.docx"  # 替换为实际的 Word 文档路径
    fields = ['[SWS_Os', '⌋ ( )']  # 替换为要提取的字段列表
    output_path = "D:\WorkspaceTZX\实习期工作\AUTOSAR_SWS_OS.xls"  # 替换为输出的 Excel 表格路径

    extract_fields_from_word(docx_path, fields, output_path)
'''

import mysql.connector
import xlwt
from docx import Document

'''
def extract_text_between_fields(docx_path, field1, field2, output_path):
    doc = Document(docx_path)
    extracted_text = ""
    is_between_fields = False

    for paragraph in doc.paragraphs:
        #if field1 in paragraph.text and field2 in paragraph.text:
        if field1 in paragraph.text:
            extracted_text += paragraph.text + "\n"
            is_between_fields = True
        ####
        elif field2 in paragraph.text:
            extracted_text += paragraph.text + "\n"
            is_between_fields = False
        elif is_between_fields:
            extracted_text += paragraph.text + "\n"


    mydb = mysql.connector.connect(
        host="localhost",  # 数据库主机地址
        user="yourusername",  # 数据库用户名
        passwd="yourpassword"  # 数据库密码
    )

    print(mydb)
    ####
    # 创建 Excel 工作簿和工作表
    try:
        workbook = xlwt.Workbook()
        worksheet = workbook.add_sheet('Extracted Text')

        # 将提取的文本保存到 Excel 表格中的单元格
        worksheet.write(0, 0, 'Extracted Text')
        worksheet.write(1, 0, extracted_text)

        # 保存 Excel 表格
        workbook.save(output_path)
        print("Excel 表格已经保存至",output_path)

    except Exception as e:
        print("创建 Excel表格时出现错误",str(e))
'''

def extract_text_between_fields(docx_path, field1, field2, output_path):
    doc = Document(docx_path)
    extracted_text = []
    is_between_fields = False

    for paragraph in doc.paragraphs:
        #if field1 in paragraph.text and field2 in paragraph.text:
        if field1 in paragraph.text:
            extracted_text.append(paragraph.text)
            is_between_fields = True
        '''elif field2 in paragraph.text:
            extracted_text += paragraph.text + "\n"
            is_between_fields = False
        elif is_between_fields:
            extracted_text += paragraph.text + "\n"


    mydb = mysql.connector.connect(
        host="localhost",  # 数据库主机地址
        user="yourusername",  # 数据库用户名
        passwd="yourpassword"  # 数据库密码
    )

    print(mydb)
    '''
    # 创建 Excel 工作簿和工作表
    try:
        workbook = xlwt.Workbook()
        worksheet = workbook.add_sheet('Extracted Text')

        # 将提取的文本保存到 Excel 表格中的单元格
        for i, text in enumerate(extracted_text):
            worksheet.write(i, 0, text)

        # 保存 Excel 表格
        workbook.save(output_path)
        print("Excel 表格已经保存至",output_path)

    except Exception as e:
        print("创建 Excel表格时出现错误",str(e))


# 使用示例
def main():
    docx_path = "D:\WorkspaceTZX\实习期工作\AUTOSAR_SWS_OS.docx"  # 替换为实际的 Word 文档路径
    field1 = "[SWS_Os_"  # 替换为字段1的标识
    field2 = "⌋"  # 替换为字段2的标识
    output_path = "D:\WorkspaceTZX\实习期工作\AUTOSAR_SWS_OS_1.1.xls"  # 替换为输出的 Excel 表格路径

    extract_text_between_fields(docx_path, field1, field2, output_path)
def print_hi(name):
    # Use a breakpoint in the code line below to debug your script.
    print(f'Hi, {name}')  # Press Ctrl+F8 to toggle the breakpoint.


# Press the green button in the gutter to run the script.
if __name__ == '__main__':
    print_hi('PyCharm')
    main()

# See PyCharm help at https://www.jetbrains.com/help/pycharm/

大道生
关注
【科学文献计量】利用pybibx分析Scopus文献数据集（EDA,N-Grams,Cluster,Network analysis,NLP）
lys_828的博客
10-11 1059
文章介绍了利用pybibx库对scopus文献数据，进行探索式分析EDA，N-Grams语言模型构建及可视化，文献聚类和映射，网络分析（社区网络分析、个人网络分析，合作组织网络分析）、NLP（词嵌入模型、BERT模型、chatGPT大语言模型下的主题建模和摘要提取）
你也可以成为数据分析师: 实战案例手把手教你如何在ChatGPT内使用Code Interpreter进行数据分析
weixin_41259045的博客
07-15 1722
本文利用实战案例手把手教你如何使用ChatGPT的Code interpreter进行数据分析，并对现阶段Code interpreter的优劣势进行了总结
Python解析pdf
禅：戒定慧
07-13 300
上代码 # -*- coding: utf-8 -*- import sys import os import importlib importlib.reload(sys) import re import csv from pdfminer.pdfparser import PDFParser,PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converte
使用Python解析PDF为文本文件
会抒情的猪
08-07 1179
一、解析PDF 使用pdfminer解析PDF文件，其中Layout类型包括LAParams, LTTextBox, LTTextLine, LTFigure, LTImage, LTChar。 示例一：解析LTTextBox from pdfminer.layout import LTTextBoxHorizontal from pdfminer.pdfpage import PDFTe...
python处理pdf文件
theSmallTears的博客
06-21 3626
PDFMinerAPI:http://www.unixuser.org/~euske/python/pdfminer/ GitHub:https://github.com/euske/pdfminer 安装方法:pip install pdfminer.six(安装2和3两个版本的python要区分开，用pip3 install pdfminer.six，2不支持pdfminer.six) ...
Python进阶(二十五)Python读写文件
热门推荐
IT全栈 华强工作室
04-06 4万+
在处理日志文件的时候，常常会遇到这样的情况：日志文件巨大，不可能一次性把整个文件读入到内存中进行处理，例如需要在一台物理内存为 2GB 的机器上处理一个 2GB 的日志文件，我们可能希望每次只处理其中200MB的内容。模式打开一个已经存在的文件时，原有文件的内容会被清空，因为一开始文件的操作的标记是在文件的开头的，这时候进行写操作，无疑会把原有的内容给抹掉。由于历史的原因，换行符在不同的系统中有不同模式，比如在。如果是一个大于1的数表示缓冲区的大小，应该是以字节为单位的。它参数都是以字符串的形式传递的。
Python学习笔记二：02序列类型的各自方法
qq_37289115的博客
03-20 327
  方法是与对象有紧密联系的函数，对象可能是列表、数字，也可能是字符串或其他类型的对象。   方法的定义方式是将对象放到方法名之前，两者之间用一个点号隔开，方法后面的括号中可以根据需要带上参数。调用语法如下： 　　对象.方法()   在python中，一切皆对象 一、列表的常用方法 >>> dir(list) #查看方法(没有返回值)和魔法方法(或者特殊方法，暂时理解为属性，有返...
一文读懂「RAG，Retrieval-Augmented Generation」检索增强生成
女王の专属领地
01-20 8359
检索增强生成（Retrieval Augmented Generation），简称 RAG，已经成为当前最火热的LLM应用方案。它是一个为大模型提供外部知识源的概念，这使它们能够生成准确且符合上下文的答案，同时能够减少模型幻觉。知识的局限性：模型自身的知识完全源于它的训练数据，而现有的主流大模型（ChatGPT、文心一言、通义千问…）的训练集基本都是构建于网络公开的数据，对于一些实时性的、非公开的或离线的数据是无法获取到的，这部分知识也就无从具备。幻觉问题。
【Spark Mllib】TF-IDF&Word2Vec——文本相似度
06-21 2万+
一个比较通用的例子是使用单词的向量表示基于单词的含义计算两个单词的相似度。特征哈希通过使用哈希方程对特征赋予向量下标,这个向量下标是通过对特征的值做哈希得到的(通常是整数)。使用的哈希方程必须是一致的(就是说,对于一个给定的输入,每次返回相同的输出)。的含义是:在一个文档中出现次数很多的词相比出现次数少的词应该在词向量表示中得到更高的权值。最后的结果就是,稀有的或者重要的词被给予了更高的权值,而更加常用的单词(被认为比较不重要)则在考虑权重的时候有较小的影响。对于我们的任务来说,可以使用。
【LangChain编程：从入门到实践】生态系统概览：组件（Components）-链（Chains）-代理（Agents）-内存（Memory）-提示工程（Prompt Engineering）
最新发布
AI天才研究院
07-24 760
本文旨在为读者提供一个全面而深入的LangChain生态系统概览。我们将探讨LangChain的核心组件、工具链以及它如何革新大语言模型（LLM）的应用开发过程。通过本文，读者将了解到：本文面向以下读者群体：本文将按以下结构展开：LangChain的生态系统是围绕着简化大语言模型应用开发而构建的。为了更好地理解LangChain的核心概念及其相互联系，我们可以通过以下Mermaid流程图来visualize整个生态系统的架构：LangChainModelsPromptsChainsMemoryIndexes
pdf文件的简单解析
05-13
简单的pdf文件的解析。适合二次开发，再在activity界面用菜单来控制zoom的大小
pdf解析
mabeibei717的博客
08-10 1087
列表内容 pdf解析 ~~~python !/usr/bin/env python encoding: utf-8 import sys import importlib importlib.reload(sys) from pdfminer.pdfparser import PDFParser, PDFDocument from pdfminer.pdfinterp i...
Python - 小玩意 - 解析本地PDF文本，保存到本地TXT
学无止境
09-26 89
【代码】Python - 小玩意 - 解析本地PDF文本，保存到本地TXT。
数据分析：基于Python的自定义文件格式转换系统
weixin_33853827的博客
07-18 593
数据分析：基于Python的自定义文件格式转换系统 ( 白宁超 2018年7月16日14:47:41 ) 导读：随着大数据的快速发展，自然语言处理、数据挖掘、机器学习技术应用愈加广泛。针对大数据的预处理工作是一项庞杂、棘手的工作。首先数据采集和存储，尤其高质量数据采集往往不是那么简单。采集后的信息文件格式不一，诸如pdf，doc，docx，Excel，...
python 读取文件读出来是什么格式-深入学习python解析并读取PDF文件内容的方法...
weixin_37988176的博客
10-30 266
这篇文章主要学习了python解析并读取PDF文件内容的方法，包括对学习库的应用，python2.7和python3.6中python解析PDF文件内容库的更新，包括对pdfminer库的详细解释和应用。主要参考了一些已有的博客内容，代码。主要思路是首先利用一个做项目的形式，描述所做的问题，运行环境，和需要安装的库，然后写代码，此代码是在python2.7中运行，小编也写出在python3.6中运...
Python_读取PDF文件内容
后青春诗ing
05-13 7779
涉及到一些PDF文件中的读取，特地去网上简单学习一下并记录下来 大神链接： https://www.cnblogs.com/wj-1314/p/9429816.html 自己简单代码的分享以边自己后边用到 from pdfminer.converter import PDFPageAggregator from pdfminer.pdfparser import PDFParser, PDFDo...
pdfminer3k读取pdf文件
I_am_a_buger的博客
09-23 5463
#针对python3 pip install pdfminer3k # -*- coding: utf-8 -*- from pdfminer.pdfparser import PDFParser,PDFDocument from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.conv...
Python 读取pdf文件
json_li的博客
02-14 3217
本篇使用Python 实现读取pdf文件简单示例
我要用你用python写一个 使用python-doc读取doc文档内容的代码
03-25
以上代码会打印出读取到的doc文档的段落和表格内容。请注意，这需要安装python-docx库。如果您还没有安装该库，请使用以下命令进行安装： ```python pip install python-docx ``` 之后，您就可以使用上述代码来...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

大道生

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值