[[322971]]

大家好，今天有一個(gè)公務(wù)員的小伙伴委托我給他幫個(gè)忙，大概是有這樣一份Word(由于涉及文件私密所以文中的具體內(nèi)容已做修改)

一共有近2600條類似格式的表格細(xì)欄，每個(gè)欄目包括的信息有：

• 日期
• 發(fā)文單位
• 文號
• 標(biāo)題
• 簽收欄

需要提取其中加粗的這三項(xiàng)內(nèi)容到Excel表格中存儲，表格樣式如下：

也就是需要將收文時(shí)間、文件標(biāo)題、文號填到指定位置，同時(shí)需要將時(shí)間修改為標(biāo)準(zhǔn)格式，如果是完全手動復(fù)制和修改時(shí)間，依照一個(gè)條目10s的時(shí)間計(jì)算，一分鐘可以完成6條，那么最快也需要：

而這類格式規(guī)整的文件整理非常適合用Python來執(zhí)行，好的那么接下來請Python出場，必要的信息我在代碼中以注釋信息呈現(xiàn)。

首先使用Python將Word文件導(dǎo)入

# 導(dǎo)入需要的庫docx 
from docx import Document 
 
# 指定文件存放的路徑 
path = r'C:\Users\word.docx'  
 
# 讀取文件 
document = Document(path) 
 
# 讀取word中的所有表格 
tables = document.tables 

再把問題逐個(gè)劃分，首先嘗試獲取第一張表第一個(gè)文件條目的三個(gè)所需信息

# 獲取第一張表 
table0 = tables[0] 

仔細(xì)觀察可以發(fā)現(xiàn)一個(gè)文件條目占據(jù)了3行，所以對表格全部行循環(huán)迭代時(shí)可以設(shè)步長為3

注意觀察表格，按照row和cell把所需內(nèi)容解析清楚

# 在全局放一個(gè)變量用來計(jì)數(shù)填序號 
n = 0 
for i in range(0, len(table0.rows) + 1, 3): 
    # 日期 
    date = table0.cell(i, 1).text 
    # 標(biāo)題 
    title = table0.cell(i + 1, 1).text.strip() 
    # 文號 
    dfn = tables[j].cell(i, 3).text.strip() 
    print(n, date, tite, dfn) 

接下來需要解決的是，時(shí)間我們獲取的是 2/1 這種 日/月的形式。我們需要轉(zhuǎn)化成 YYYY-MM-DD格式，而這利用到datetime包的strptime和strftime函數(shù)：

• strptime: 解析字符串中蘊(yùn)含的時(shí)間
• strftime: 轉(zhuǎn)化成所需的時(shí)間格式

import datetime 
 
n = 0 
for i in range(0, len(table0.rows) + 1, 3): 
    # 日期 
    date = table0.cell(i, 1).text 
    # 有的條目時(shí)間是空的，這里不做過多判別 
    if '/' in date: 
        date = datetime.datetime.strptime(date, '%d/%m').strftime('2020-%m-%d') 
    else: 
        date = '-' 
    # 標(biāo)題 
    title = table0.cell(i + 1, 1).text.strip() 
    # 文號 
    dfn = tables[j].cell(i, 3).text.strip() 
    print(n, date, tite, dfn) 

這樣一張表的內(nèi)容解析就完成了，注意這里用的是table[0]即第一張表，遍歷所有的表加一個(gè)嵌套循環(huán)就可以，另外也可以捕獲異常增加程序靈活性

n = 0 
for j in range(len(tables)): 
    for i in range(0, len(tables[j].rows)+1, 3): 
        try: 
            # 日期 
            date = tables[j].cell(i, 1).text 
            if '/' in date: 
                date = datetime.datetime.strptime(date, '%d/%m').strftime('2020-%m-%d') 
            else: 
                date = '-' 
            # 標(biāo)題 
            title = tables[j].cell(i + 1, 1).text.strip() 
            # 文號 
            dfn = tables[j].cell(i, 3).text.strip() 
            n += 1 
            print(n, date, title, dfn) 
        except Exception as error: 
            # 捕獲異常，也可以用log寫到日志里方便查看和管理 
            print(error) 
            continue 

信息解析和獲取完成就可以導(dǎo)出了，用到的包是openpyxl

from openpyxl import Workbook 
 
# 實(shí)例化 
wb = Workbook() 
# 獲取當(dāng)前sheet 
sheet = wb.active 
# 設(shè)立表頭 
header = ['序號', '收文時(shí)間', '辦文編號', '文件標(biāo)題', '文號', '備注'] 
sheet.append(header) 

在最內(nèi)層解析循環(huán)的末尾加上如下代碼即可

row = [n, date, ' ', title, dfn, ' '] 
sheet.append(row) 

線程的最后記得保存

wb.save(r'C:\Users\20200420.xlsx') 

運(yùn)行時(shí)間在10分鐘左右，大概離開了一會程序就執(zhí)行結(jié)束了

最后附上完整代碼，代碼很簡單，理清思路最重要

from docx import Document 
import datetime 
from openpyxl import Workbook 
 
wb = Workbook() 
sheet = wb.active 
header = ['序號', '收文時(shí)間', '辦文編號', '文件標(biāo)題', '文號', '備注'] 
sheet.append(header) 
 
 
path = r'C:\Users\word.docx' 
document = Document(path) 
tables = document.tables 
 
n = 0 
for j in range(len(tables)): 
    for i in range(0, len(tables[j].rows)+1, 3): 
        try: 
            # 日期 
            date = tables[j].cell(i, 1).text 
            if '/' in date: 
                date = datetime.datetime.strptime(date, '%d/%m').strftime('2020-%m-%d') 
            else: 
                date = '-' 
            # 標(biāo)題 
            title = tables[j].cell(i + 1, 1).text.strip() 
            # 文號 
            dfn = tables[j].cell(i, 3).text.strip() 
            n += 1 
            print(n, date, title, dfn) 
            row = [n, date, ' ', title, dfn, ' '] 
            sheet.append(row) 
        except Exception as error: 
            # 捕獲異常，也可以用log寫到日志里方便查看和管理 
            print(error) 
            continue 
 
wb.save(r'C:\Users\20200420.xlsx')