【python】批量读取Word文档中的特定表格并保存为Excel文件

批量读取Word文档中的特定表格并保存为Excel文件

在工作中，我们常常需要从多个Word文档中提取数据，然后将这些数据汇总到一个Excel文件中进行分析。下面，我将分享一个Python脚本，它可以从多个Word文档中读取特定的表格数据，并将这些数据保存到一个Excel文件中。

代码实现

我们首先导入所需的库：

import os
import re
import pandas as pd
from docx import Document

然后，我们定义一个函数来从Word文档中读取特定表格并转换为DataFrame：
这是此次的文件内容，我们想读取表格中的内容。如：第二个表格中总分的均分项，我们要定义相关参数（函数内部已说明。）

# 从Word文档中读取特定表格并转换为DataFrame
def read_table_from_word(document, table_index, rows, cols):
   """
    从指定的Word文档中的指定单元格提取数据

    参数:
    doc: Document对象，代表一个Word文档
    table_index: int，要读取的表格索引
    rows: list，要读取的行索引
    cols: list，要读取的列索引

    返回值:
    data: list，提取的数据
    """
    table = document.tables[table_index]
    data = [
        [table.cell(row_idx, col_idx).text for col_idx in cols]
        for row_idx in rows if row_idx < len(table.rows)
    ]      
    return data

接下来是主函数，用于批量读取特定模式的Word文档中的表格数据（如下）：

# 主函数，批量读取特定模式的Word文档中的表格数据
def read_every_word_file(folder_path, keyword, start_num, end_num, table_index, rows, cols):
    """
    读取文件夹中包含特定关键字的所有Word文件，并提取指定表格中的数据

    参数:
    folder_path: str，文件夹路径
    keyword: str，文件名中包含的关键字，示例中我使用：SCL90
    table_index: int，要读取的表格索引
    rows: list，要读取的行索引
    cols: list，要读取的列索引

    返回值:
    all_data: list，所有Word文件中提取的数据
    """
    # 获取文件夹中的所有文件名
    files = os.listdir(folder_path)
    
    # 过滤文件名，筛选出包含关键字的文件
    files_with_keyword = [f for f in files if keyword in f]

    # 初始化一个空的DataFrame列表
    dataframes_list = []

    # 遍历所有预想的文件编号
    for num in range(start_num, end_num + 1):
        # 构建文件编号字符串，确保编号长度为3位，为符合示例中的文件名格式
        num_str = str(num).zfill(3)
        # 使用模板和当前数字构建正则表达式（根据实际文件名设置，或者依据AI分析得出）
        pattern1 = f"B{num_str}--{keyword}.doc"
        pattern2 = f"B{num_str}---{keyword}.doc"
        """	注：AI生成的正则表达式并不完善，需要根据实际调整。"""

        # 检查文件是否存在且符合模式
        if pattern1 in files_with_keyword:
            # 文件存在且符合模式，读取数据
            file_path = os.path.join(folder_path, pattern1)
            doc = Document(file_path)
            try:
                df = read_table_from_word(doc, table_index, rows, cols)
            except Exception as e:
                print(f"读取文件 {pattern1} 错误: {e}")
                df = pd.DataFrame()
            dataframes_list.append(df)
        elif pattern2 in files_with_keyword:
            # 文件存在且符合模式，读取数据
            file_path = os.path.join(folder_path, pattern2)
            doc = Document(file_path)
            try:
                df = read_table_from_word(doc, table_index, rows, cols)
            except Exception as e:
                print(f"读取文件 {pattern2} 错误: {e}")
                df = pd.DataFrame()
            dataframes_list.append(df)
        else:
            # 文件不存在或不符合模式，记录为空DataFrame
            dataframes_list.append(pd.DataFrame())

    # 创建DataFrame列表
    dfs = []
    for data in dataframes_list:
        # 将字符串转换为整数
        int_data = [int(item[0]) for item in data]
        # 创建DataFrame
        df = pd.DataFrame(int_data, columns=['Data'])
        dfs.append(df)

    return dfs

最后，我们定义一个函数来保存DataFrame列表到同一个Excel工作表：

# 定义函数来保存DataFrame列表到同一个Excel工作表
def save_dataframes_to_same_sheet(dfs, excel_path):
    # 使用with语句确保文件正确关闭
    with pd.ExcelWriter(excel_path, engine='openpyxl', mode='w') as writer:
        # 写入第一个DataFrame
        df_transposed = dfs[0].T
        df_transposed.to_excel(writer, sheet_name='Sheet1',startrow=1, index=False, header=False)
        
        # 获取第一个DataFrame的高度（行数）
        startrow = df_transposed[0].shape[0]+1
        
        # 剩余DataFrame的处理
        for df in dfs[1:]:
            if df.empty:  # 如果DataFrame为空
                df_transposed =  df.T
                # 仅写入标题行（即使没有数据），以保留一行空白
                df_transposed.columns.to_series().to_frame(name=None).to_excel(writer, sheet_name='Sheet1', startrow=startrow, index=False, header=False)
                # 空DataFrame增加的行数为1
                startrow += 1
            else:
                df_transposed =  df.T
                df_transposed.to_excel(writer, sheet_name='Sheet1', startrow=startrow, index=False, header=False)
                # 非空DataFrame增加的行数为其行数
                startrow += df_transposed.shape[0]
            
    print(f'数据已保存至{excel_path}的Sheet1')

配置参数并执行代码

我们需要配置一些参数，然后调用上述函数来读取文件并保存数据：

# 配置参数
folder_path = '相对文件夹路径'
excel_path = '保存Execl文件的相对路径'

# 调用函数读取文件
dataframes = read_every_word_file(folder_path, 'SCL90', 1, 79, 1, [1,2,3,4,5,6,7,8,9,10,11], [1])
# 保存数据到Excel
save_dataframes_to_same_sheet(dataframes, excel_path)

这样，我们就可以从指定的Word文档中读取表格数据，并将这些数据保存到一个Excel文件中。希望这个脚本对你有所帮助！

并不具有普适性，请在修改后使用！

欢迎提出见解和指正错误！