Python3遍历文件夹提取关键字及其附近字符

要求：

1，遍历文件夹下所有的.xml文件

2，从.xml文件中提取关键字以及左右十个字符

3，输出到excel

一：遍历文件夹找到所有xml文件及其路径

		for root, dirs, files in os.walk(self.inputFilePath):
			for file in files:
				targetFilePath = os.path.join(root, file)
				if not targetFilePath.endswith(".xml"):
					continue
				xmlFileData = open(targetFilePath,'r',encoding='utf-8').read()

        os.walk() 方法是一个简单易用的文件、目录遍历器，可以帮助我们高效的处理文件、目录方面的事情

def walk(top, topdown=True, onerror=None, followlinks=False):

参数解释：

---

1. top – 是你所要遍历的目录的地址, 返回的是一个三元组(root,dirs,files)。
2. topdown的默认值是“True”，表示首先返回根目录树下的文件，然后遍历目录树下的子目录。值设为False时，则表示先遍历目录树下的子目录，返回子目录下的文件，最后返回根目录下的文件。
3. topdown设值不同，os.walk()返回的列表元素顺序不同（但不是相反），所以遍历后的结果也不同
4. onerror – 可选，需要一个 callable 对象，当 walk 需要异常时，会调用。
5. followlinks – 可选，如果为 True，则会遍历目录下的快捷方式(linux 下是软连接 symbolic link )实际所指的目录(默认关闭)，如果为 False，则优先遍历 top 的子目录。
    

---

我们只传入一个目录参数，它会遍历当前目录，及其子目录。

返回的是一个三元组(root,dirs,files)

• root 所指的是当前正在遍历的这个文件夹的本身的地址
• dirs 是一个 list ，内容是该文件夹中所有的目录的名字(不包括子目录)
• files 同样是 list , 内容是该文件夹中所有的文件(不包括子目录)

 二：对xml文件提取关键字及其左右的十个字符

xmlFileData = open(targetFilePath,'r',encoding='utf-8').read()
for m in re.finditer(self.keyWords, xmlFileData, re.I):#re.I标志是大小写不敏感
	extractKeywords = xmlFileData[m.start()-OFFSET:m.end()+OFFSET]
	self.keywordInfoList.append((targetFilePath,extractKeywords))

        用到了re模块的finditer方法，用过re模块的相信都用过findall(）方法，该方法能一次性找出所有的正则匹配结果，但是也有局限性，其不能提供所在的位置，并且是一起返回的，如果有数万个一起返回来，就不太好处理了，因此要使用finditer()函数来实现每次只返回一个，并且返回所在的位置。

re.finditer(pattern, string, flags=0)

参数：

参数	描述
pattern	匹配的正则表达式
string	要匹配的字符串。
flags	标志位，用于控制正则表达式的匹配方式，如：是否区分大小写，多行匹配等等。参见：正则表达式修饰符 - 可选标志

         针对re.finditer返回的迭代对象，每一个迭代子对象都有start和end方法，start定位到关键字开始的位置，end定位到关键字结尾的位置，我们再定义一个偏移值（建议用宏，可以统一修改）来提取关键字及其左右偏移的字符

三：写入excel

	def writeToExcel(self):
		workBook = openpyxl.Workbook()
		sheetPos = 0
		for ele in self.keywordInfoList:
			oneLine = list()
			rootPathSplit = ele[0].split('\\')
			firstDirIndex = rootPathSplit.index(self.firstDirName)#获取当前目录的索引
			newSheet = rootPathSplit[firstDirIndex+1]
			if newSheet not in workBook.sheetnames:
				workSheet = workBook.create_sheet(newSheet, sheetPos)
				sheetPos += 1
			oneLine.extend(rootPathSplit[firstDirIndex+1:])
			oneLine.append(ele[1])
			workSheet.append(oneLine)
			print(oneLine)
		workBook.save("xmlExtractKeyword.xlsx")

用到了openpyxl模块，下面给出常用的方法

创建：

from  openpyxl import  Workbook 
# 实例化
wb = Workbook()
# 激活 worksheet
ws = wb.active

打开已有：

  from openpyxl  import load_workbook
  wb2 = load_workbook('文件名称.xlsx')

储存数据：

# 方式一：数据可以直接分配到单元格中(可以输入公式)
ws['A1'] = 42
# 方式二：可以附加行，从第一列开始附加(从最下方空白处，最左开始)(可以输入多行)
ws.append([1, 2, 3])
# 方式三：Python 类型会被自动转换
ws['A3'] = datetime.datetime.now().strftime("%Y-%m-%d")

创建表（sheet）：

# 方式一：插入到最后(default)
>>> ws1 = wb.create_sheet("Mysheet") 
# 方式二：插入到最开始的位置
>>> ws2 = wb.create_sheet("Mysheet", 0)

选择表（sheet）：

# sheet 名称可以作为 key 进行索引
>>> ws3 = wb["New Title"]
>>> ws4 = wb.get_sheet_by_name("New Title")
>>> ws is ws3 is ws4
True

查看表名（sheet）：

# 显示所有表名
>>> print(wb.sheetnames)
['Sheet2', 'New Title',  'Sheet1']
# 遍历所有表
>>> for sheet in  wb:
... 	print(sheet.title)

更多方法请见：python-- openpyxl详解_像风一样的男人@的博客-CSDN博客