针对word.docx文档的关键词索引器_将专业词汇索引下方的条目转换为文档的索引-CSDN博客

本文链接：https://blog.csdn.net/moon9999/article/details/117898970

前言

之前曾想做这样一个工具，用来遍历目录下的word.docx文档查询关键词，主要是有几个目的：

1.在项目开始阶段，通过关键词检索feature，我脑子实在是记不住文档都在哪；

2.收尾阶段，检查是否有TODO/TBD项遗留在文档中未补全；

3.检查是否有关键信息未修改，尤其对外交付文档中是有留存旧的项目信息等；

4.进一步拓展，支持通配符模糊索引和全局替换，类似linux里grep和sed的功能；

后来一忙起来就把这件事放下了，趁着现在有三天的假期，决定搞一波事~

效果展示

我策划的软件长这个样子：

但是我实在是懒得摆位置了，最后就长成了这个样子：

反正吧，外貌不重要，有趣的灵魂才重要！

使用时候呢，先选一下目录：

然后再输入下索引的关键词，点击开始检查：

程序开始以选择目录为基准，向下递归检查多有的docx文档内容：

并在选择目录下生成一个.report文件：

点击查看结果就可以了：

目前我就实现到这一步，看起来还能用，以后有时间在继续优化，递归算法找文件的效率实在是太低，如果能看看everything是如何实现的就好了。

中场广告时间

对于这种小的程序，我自己非常喜欢Geany这款编译器，上手简单的可怕，调试执行功能也很舒服，界面对小白尤其很是善意，开源免费随便用，一键安装：

好了下面继续正文；

前期准备

这次用到的库有：

import tkinter
import os
import docx
import re
from zipfile import ZipFile
from bs4 	 import BeautifulSoup
from tkinter import *

本来用的docx库，结果发现有些文件打不开，于是转头使用zipfile库了，毕竟（小科普时间）每一个docx文档的本质都是一个zip压缩文件，比如我这里有一个docx文档：

使用解压缩文件打开时，就可以看到里面的结构：

继续往里面点，就可以看到内容的源码啦：

因此用python解析docx文档时，用zipfile库就好了。

关键处理

根据根目录遍历之下所有docx文件，这个我直接从网上找的改了两行代码：

def get_process_files(root_dir):
	"""process all files in directory"""
	cur_dir=os.path.abspath(root_dir)
	file_list=os.listdir(cur_dir)
	process_list=[]
	dir_extra_list = []

	for file in file_list:
		fullfile=cur_dir+"\\"+file
		#print(fullfile)
		if os.path.isfile(fullfile) and fullfile.endswith(".docx"):
			process_list.append(fullfile)
			#print("add " + fullfile)
		elif os.path.isdir(fullfile):
			dir_extra_list.extend(get_process_files(fullfile))

	if len(dir_extra_list)!=0:
		for x in dir_extra_list:
			process_list.append(x)

索引docx文件内是否包含关键词：

def search_keyword(filename, key_word):
	try:
		document = ZipFile(filename)
		xml		 = document.read("word/document.xml")
		wordObj  = BeautifulSoup(xml.decode("utf-8"), features="lxml")
		texts 	 = wordObj.findAll("w:t")
	except:
		ignore_list.append(filename + "未能打开")
		#print("请手动检查" + filename)
		pass

	for text in texts:
		#print(text.text)
		try:
			if re.search(key_word, text.text):
				#print(filename + "找到关键字")
				return True
		except:
			pass
	return False

剩下的所有操作都在tk_mian里面了：

def tk_main():
	root = Tk()
	root.geometry("600x600")
	root.title("用起来一般的docx关键词查询器")

对应整个软件的外框；

	f1 = Frame(root, height = 100, width = 400)
	f1.pack()
	button1 = Button(f1, text='选择目录', command=get_path)
	button1.pack(side = LEFT)
	text1   = Text(f1, height = 1, undo=True, autoseparators=False)
	text1.pack(side = RIGHT)

对应这里：

    f2 = Frame(root, height = 100, width = 400)
	f2.pack()
	label1 = Label(f2, text="查找信息")
	label1.pack(side=LEFT)
	text2   = Text(f2, height = 1, undo=True, autoseparators=False)
	text2.pack(side = RIGHT)
	
	f3 = Frame(root, height = 100, width = 400)

对应这里：

	f3 = Frame(root, height = 100, width = 400)
	f3.pack()
	button2 = Button(f3, text='开始检查', command=start_check)
	button2.pack(side=LEFT)
	button3 = Button(f3, text='退出程序', command=root.quit)
	button3.pack(side=RIGHT)
	
	f4 = Frame(root, height = 100, width = 400)
	f4.pack()
	text3 = Text(f4, height = 100, undo=True, autoseparators=False)
	text3.pack(side = RIGHT)

对应这里和这里：

“选择目录”按钮关联的函数是：

	def get_path():
		from tkinter import filedialog
		tk_file_path = filedialog.askdirectory() #获得选择好的文件夹
		text1.insert(INSERT, tk_file_path)

“开始检查”按钮关联的函数是下面，就是把“选择目录”后面文本框内的地址还有“查找信息”后面文本框的内容给提取出来，送给search_key_file函数：

	def start_check():
		#print(text1.get(1.0, "end"))
		fullpath = text1.get(1.0, "end").strip()
		keyword  = text2.get(1.0, "end").strip()
		full_docx = get_process_files(fullpath)
		key_docx  = search_key_file(full_docx, keyword)

	def search_key_file(list, keyword):
		global rpt_path
		key_file = []
		fullpath = text1.get(1.0, "end").strip()
		keyword  = text2.get(1.0, "end").strip()
		rpt_path = os.path.join(fullpath, "关键词检查_" + keyword + ".report")
		
		for file in list:
			str = "正在检查文件： " + file
			text3.mark_set('here',1.0)
			text3.insert('here', str + "\n")			
			if search_keyword(file, keyword) is True:
				key_file.append(file)
				#print("找到一个")

		with open(rpt_path, 'w') as file:
			file.write("对以下文件中找到关键字：\n")
			for line in key_file:
				file.write(line + "\n")
		
		with open(rpt_path, 'a') as file:
			file.write("\n")
			file.write("以下文件未能打开，请手动检索：\n")
			for line in ignore_list:
				file.write(line + "\n")							
		
		with open(rpt_path, 'a') as file:
			file.write("\n")
			file.write("共尝试对以下文件进行了检查：\n")
			for line in list:
				file.write(line + "\n")
		
		text3.mark_set('here',1.0)		
		text3.insert('here', "检索完成，请打开REOPRT文件查看结果：" + rpt_path + "\n")
		text3.insert('here', "检索完成，请打开REOPRT文件查看结果：" + rpt_path + "\n")
		text3.insert('here', "检索完成，请打开REOPRT文件查看结果：" + rpt_path + "\n")
		return key_file

OK，其实所有的代码就这样了；