python自动处理文档_Python自动化办公之Word批量转成自定义格式的Excel-CSDN博客

作者：青春阳光king

python实现word转成自定义格式的excel文档（解决思路和代码）支持按照文件夹去批量处理，也可以单独一个文件进行处理，并且可以自定义标识符。

最近在开发一个答题类的小程序，到了录入试题进行测试的时候了，发现一个问题，试题都是word文档格式的，每份有100题左右，拿到的第一份试题，光是段落数目就有800个。而且可能有几十份这样的试题。

而word文档是没有固定格式的，想批量录入关系型数据库mysql，必须先转成excel文档。这个如果是手动一个个粘贴到excel表格，那就头大了。

我最终需要的excel文档结构是这样的：每道题独立占1行，每1列是这道题的一项内容，大概就是问题、选项A、选项B等等。

但word文档是这种结构，如果按照网上通用的方式去转，基本上你得到的结果就是一大坨文字都在一格里，根本不符合需求。

1000

最后我想到了一个解决思路，可以实现这个需求，先看看我转出来的结果：

1000

这个格式虽然跟最终的有点差别，但是只要在excel文档或者在代码里稍微再修改一下，就能完全符合要求了。

废话少说，先贴出代码，看得懂的可以直接拿去用，看不懂的，可以看我后面的具体说明。

已经把它封装成通用脚本了，你可以直接调用。

一、先说一下实现这个需求的处理逻辑

解决这个需求的关键点是什么：

1、python怎么读取这个文件的内容？

python有相关的word操作库可以读取，但是读取到的结果不方便操作。我们最终是要让它生成excel文件的，所以可以用python非常强大的科学计算包pandas来读取操作数据更好。

但pandas不能直接读取word文件，所以，需要先把它转成txt文档，这一步很简单，打开word，全部复制到一份新的txt文件中就行了。（注意要在第一行给它加上列名，我直接加了个colomn1，代表是第一列）

简单处理后的txt文档的结构类似这样：

1000

2、读取到的数据如何处理？

使用pandas读取到的数据是一个dataFrame，dataFrame的结构就类似于我们在excel文档里面那样行列分明的。但是，它从txt读取出来的格式是全部内容都视为1列的，而txt中的每一段，在它这里就是每一行（注意是每一段对应一行，而不是每一行对应每一行）

预览一下：结果显示800行，1列。也就是在txt文档中有800个段落。

1000

3、接下来怎么处理呢？

pandas强大的地方就在这里了，它可以直接把这1列的内容全部转成Series，Series是什么你可以不用管，你只需要知道Series可以直接转成列表list就行了。有了list我们就方便操作了。

以上几步就实现了从word里面读取数据，并转化成python的数据类型list了。list里面的每个元素，就等同于我们word里面的每一个段落。

控制台打印出来的就是这样：

下面的800是计算出这个列表的长度，代表有800个元素。

接下来我们的需求就变成了：怎么把一个列表，转成有明确行列结构的excel表格了。

这个要分为2种情况来说：

1、你的word文档结构相对合理些，每道题都固定是X个段落（例如每道题都是8个段落），这个解决就很简单了。因为这种情况对应就是在list中，每8个元素构成了1道题，你只要按照规律，8个8个取出，最后批量写入excel就行了。（这种解决起来比较简单，就不详细说了）

2、另一种情况比较麻烦，就是word文档的结构不规范，有的题目可能是8个段落，有的可能是7段，有的是6段。那么要怎么解决呢？

解决这个问题有几个关键点：

1、excel表格是行列结构的，它每一行的数据来源于这个txt文档的第几行？（也就是list里面的第几个元素）

所以我们只要把每道题在list中的索引找出来就行了。

观察一下源数据，它每道题的开头都是数字加1个英文符号“.”，例如：“1.”和“2.”，最大的是"100."，并且其他段落的开头都不会出现这个结构。那么就简单了，我先构造出一个patch_list=[‘1’, ‘2’, ‘3’…‘100’]，用来做匹配。

然后再遍历源数据列表，对列表的每个元素按“.”号切割，切割后拿到它的第一个元素，拿这个元素跟pacth_lis进行匹配，如果它是在patch_list中的，就代表它是每道题的开头。此时就记录下它的索引，并且把这个索引值存放到一个新列表index_list中。

下面是我获取到的index_list：

0代表了第一道题是在列表的第1个元素开始的，8代表第二道题在列表的第9个元素开始。

于是我们就知道每道题的开头是在列表中的哪个位置了。

2、拿到了每道题的索引，然后怎么做呢？

最终我们是要转存到excel文档中的， pandas怎么转excel？

很简单的，只要你构造出一个dataFrame出来，调用pandas的to_excel方法，就能存入excel文档了。

3、问题的关键就变成了，有了每道题的索引，怎么把它转成dataFrame结构。

下面演示一下，假如你想要构造一个dataFrame，需要什么样的数据结构，构造出来的dataFrame在控制台的输出结果是怎么样的，最后生成的excel表格是怎么样的。

这个就是调用pandas的DataFrame方法，用字典dict生成的一个dataFrame数据。

这个dataFrame在控制台打印出来就是：

这个结构存入excel就是对应表格的行和列了。这个结构就符合我的实际需求了。

所以我们要构造出这个dataframe的关键就是：把所有数据梳理一遍，构造成类似这样的一个字典。

那么怎么构建这个dict呢？

我们源数据转出来的list结构是类似这样的：

list = [‘问题1’,“A：问题1的A选项”, ‘B：问题1的B选项’…‘问题2’,“A：问题2的A选项”, ‘B：问题2的B选项’]

而我们前面得到的index_list=[0, 8, 16。。。。]

它记录了“问题1”，“问题2”等等直到“问题100”是在哪个位置开始的，所以我们只需要把index_list遍历一下，轮流取出它的每个元素，它就是每道题的开始位置，然后拿到紧跟在这个元素的下一个是什么，用这个减去1就知道了每道题的开始位置start和结尾位置end是多少了。接着使用

就可以轮番从list中取出每道题的各项内容，取到的第一个就加到dict的colomn1列表中，第二个就加到dict的colomn2中，按照这个规律，就能把list的内容分开插入到dict中的各个列表中了。

但在这个过程中，可能你每道题的段落数目不一致，也就是你按照这个规律从list中取出的元素，可能每次取出的数量都不一样。这点需要注意，如果没有对它进行处理，最后会导致转出来的文件内容错位了，例如你的文档里面，第一题有8个段落，第二题只有7个，第三题有8个段落，没处理这个问题的话，最后第三题的第8个段落，就会跑到第7题那边了。并且最终dataFrame会无法生成excel文件。

那么这个问题怎么解决呢？

在正式调用处理函数生成excel文件之前，可以先对文件预处理，拿到它们的数据进行判断，如果判断到它每个间隔不一样，有的缺少段落，那么就让数据预处理函数返回一个值为False，间隔一样就返回True。接着在真正的数据提取环节，根据这个进行判断，如果判断到它值是Fales，那么就在每一轮遍历提取数据的最后一次遍历，一次性在它后面的缺失数据的列加上空字符串，作为占位用，这样最后得到的列表长度就都一样了，并且在最后生成的excel表中，它是一个空格。

最后用dict生成dataFrame，再写入excel文档，我们就大功告成了。

二、再说一下具体怎么使用：

运行必须的工具

1、python解释器（pycharm或其他）；

2、python自带模块：os；

3、自行安装模块：pandas，openpyxl；

自行安装的模块，在控制台pip install pandas和pip install openpyxl就行了。

怎么调用

1、先要做数据预处理：先要把word文档的内容复制到txt文档中，并且在第一行加上"column1"，处理后像下面这样：

1000