读取word文件中的文本信息

需求：获取指定文件夹下的所有 word 文件的文件名及文本数据，并将其写入至 xlsx 文件

实现思路

1. 获取指定文件夹下的所有 word 文件名，存至 list1 中
2. 将路径和文件名拼接，依次打开每个 word 文件，读取文本内容，存入 list2
3. 将两个 list（包含 word 文件名和 word 文本内容）拼接，转成 DataFrame
4. 将 DataFrame 写入 excel 文件

代码实现

# 查看当前文件路径
pwd

1. 导入库

import os
import docx
import pandas as pd

2. 获取 word 文件名

path = "D:\\Code" # word文件所在的文件夹目录
files= os.listdir(path) # 获取文件夹下的所有文件名称

3. 获取 word 文本内容

file_str_list = []  # 保存所有文档的文本内容
for i in range(len(files)): # 遍历目录下的所有文件夹
    file_path = path + '\\' + files[i]
    file = docx.Document(file_path) # 获取文档对象
    file_str = '' # 临时保存每篇文档的文本
    # 逐段落读取每一段的内容
    for para in file.paragraphs:
        # 去除所有空字符，包括空格、换行(\n)、制表符(\t)等
        para.text = ''.join(para.text.split())  
        file_str = file_str + para.text
    file_str_list.append(file_str)

# 输出所有文档文本内容构成的list
file_str_list

4. 拼接数据

# 将list转为DataFrame结构
df = pd.DataFrame((zip(files, file_str_list)), columns=['title', 'text'])

5. 写入文件

# 保存到本地excel
df.to_excel("data_zh.xlsx", index=False)

---

参考文章：python剔除空格 - 知乎 (zhihu.com)