python读取word文件内容_[python]读取word文档中的数据，整理成excel表

在之前的文章[1] [2]中，我用python-docx这个包读取外部数据，驱动了word文档的更新，相当于是实现了Excel数据往word文档的数据流动。实现的方式比起之前依靠vba用Excel驱动word更新这个文章中说的要更可靠一些。

最近遇到了另外一个问题：为了收集教师材料，向20多个同事发放了一份资料收集表。表格大概长下面这样。可以看到里面有多个子表，里面包含了发表的文章，在研的项目，获得的成果，诸如此类的内容。现在要把这20多份表格的内容分门别类的整合成多个工作表。

图1

这其实就是数据从word往excel的流动。同样的，也可以用python-docx包加上一点pandas来实现。主要分下面几步

1. 程序与文件的文件结构

工作文件夹

|- doc2docx.py

|- grab_docxcontent.py

|- doc_files\

|- word_doc1.doc

|- word_doc2.doc

...

|- word_doc20.doc

|- rst\

收集上来的word文档统一放在doc_files文件夹里，两个python代码放在工作文件夹中。

2. 把.doc文件转换成.docx文件

python-docx包就像名字说的，可以处理docx文件，但是doc文件没法处理。所以就需要把20多个word文档中的doc文件转换成docx文件。*2020年了，2020年了呀同志们，再过3年03版本的office这个余孽就已经20岁了啊，tm还有人在用doc格式啊！*不管怎么说，既然有问题，总是要想办法去解决。解决的方式也不难，这里主要写windows环境下的处理方式参考来源

下面的代码（doc2docx.py)主要用到了pywin32这个包，通过win32com控制系统里已经安装好的word程序实现doc往docx的转换。所以务必先用pip装好pywin32

import os

import win32com.client

basedir = 'doc_files'

word = win32com.client.Dispatch('Word.application')

word = win32com.client.Dispatch('Word.application')这一行通过win32com让python可以控制word程序，接下来会反复的调用word这个对象

从doc往docx的转换其实并不复杂，无非是先1. 打开一个word文档, 2. 另存为docx文件，然后3. 关闭这个word文档，在代码里也就是三行而已

doc = word.Documents.Open(ori_path_abs)

doc.SaveAs2(conv_path_abs, FileFormat=16)

doc.Close()

顺带一提，如果是想把doc