溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章給大家分享的是有關python如何實現word文檔批量轉成自定義格式的excel文檔的思路的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。
支持按照文件夾去批量處理，也可以單獨一個文件進行處理，并且可以自定義標識符
最近在開發一個答題類的小程序，到了錄入試題進行測試的時候了，發現一個問題，試題都是word文檔格式的，每份有100題左右，拿到的第一份試題，光是段落數目就有800個。而且可能有幾十份這樣的試題。
而word文檔是沒有固定格式的，想批量錄入關系型數據庫mysql，必須先轉成excel文檔。這個如果是手動一個個粘貼到excel表格，那就頭大了。
我最終需要的excel文檔結構是這樣的：每道題獨立占1行，每1列是這道題的一項內容，大概就是問題、選項A、選項B等等。
但word文檔是這種結構，如果按照網上通用的方式去轉，基本上你得到的結果就是一大坨文字都在一格里，根本不符合需求。
最后我想到了一個解決思路，可以實現這個需求，先看看我轉出來的結果：
這個格式雖然跟最終的有點差別，但是只要在excel文檔或者在代碼里稍微再修改一下，就能完全符合要求了。
廢話少說，先貼出代碼，看得懂的可以直接拿去用，看不懂的，可以看我后面的具體說明。
已經把它封裝成通用腳本了，你可以直接調用。
import pandas as pd
import os
# 初始處理函數1,先對初始處理結果進行判斷
def initail_handle_by_range(file_path, max_page_num, split_str):
df = pd.read_table(file_path)
# 2、先轉成Series
S = pd.Series(df['column1'].values)
# 3、轉成列表，列表的每個元素就是每個段落
list = S.tolist()
# 傳入一個max_page_num
# 4、遍歷列表，取出每個段落，按“.”切割，取出第一個元素進行判斷，如果它是題號，就應該得到"1"或者"10"
index_list = []
for content in list:
try:
# 不是每個段落都有“.”可以切割的，會報錯，報錯就跳過
first_str = content.split('%s'%split_str)[0]
# 5、根據最大的題號，自動生成匹配的字符串，用來匹配題號（每個匹配字符串都放在patch_list中）
patch_list = ['%d' % i for i in range(1, max_page_num + 1)]
# 6、比對切割得到的第一個元素，如果它在匹配的字符串中，就獲取它在列表中的索引，并把獲取到的結果添加到列表index_list中，這就知道了每道題的開頭在l中的哪個位置了
if first_str in patch_list:
index = list.index(content)
index_list.append(index)
except:
pass
# 7、根據索引列表，我們可以知道每道題的第一段和最后一段在l中的哪個位置
# index_list = [0, 8, 16]
# print(index_list)
# 先計算每道題長度是否一致,不一致的,設置is_same_length = False
is_same_length = True
length = index_list[1] - index_list[0]
max_index = len(list)
for i in index_list:
# 如果i不是最后一個，那么start就是i，end就是i的下一個
if i < index_list[-1]:
start = i
end = index_list[index_list.index(i) + 1]
else:
start = i
end = max_index
# 判斷長度是否一致,不一致就對長度進行比較,把大的賦值給長度
if (end - start) != length:
is_same_length = False
if (end - start) > length:
length = (end - start)
result = [is_same_length, index_list, list, length]
return result
# 初始處理函數1,先對初始處理結果進行判斷
def initail_handle_by_patchstr(file_path, patch_str, split_str):
df = pd.read_table(file_path)
# 2、先轉成Series
S = pd.Series(df['column1'].values)
# 3、轉成列表，列表的每個元素就是每個段落
list = S.tolist()
# 傳入一個max_page_num
# 4、遍歷列表，取出每個段落，按“.”切割，取出第一個元素進行判斷，如果它是題號，就應該得到"1"或者"10"
index_list = []
for content in list:
try:
# 不是每個段落都有“.”可以切割的，會報錯，報錯就跳過
first_str = content.split('%s'%split_str)[0]
# 6、比對切割得到的第一個元素，如果它在匹配的字符串中，就獲取它在列表中的索引，并把獲取到的結果添加到列表index_list中，這就知道了每道題的開頭在l中的哪個位置了
if first_str == patch_str:
index = list.index(content)
index_list.append(index)
except:
pass
# 7、根據索引列表，我們可以知道每道題的第一段和最后一段在l中的哪個位置
# index_list = [0, 8, 16]
# print(index_list)
# 先計算每道題長度是否一致,不一致的,設置is_same_length = False
is_same_length = True
length = index_list[1] - index_list[0]
max_index = len(list)
for i in index_list:
# 如果i不是最后一個，那么start就是i，end就是i的下一個
if i < index_list[-1]:
start = i
end = index_list[index_list.index(i) + 1]
else:
start = i
end = max_index
# 判斷長度是否一致,不一致就對長度進行比較,把大的賦值給長度
if (end - start) != length:
is_same_length = False
if (end - start) > length:
length = (end - start)
result = [is_same_length, index_list, list, length]
return result
# 傳入一個文件路徑和一個匹配的字符串,至少2個符號,例如"#."
def file_handle_by_patchstr(file_path, patch_str, split_str):
result = initail_handle_by_patchstr(file_path, patch_str, split_str)
# 接收初始處理函數的結果
is_same_length = result[0]
index_list = result[1]
list = result[2]
length = result[3]
# 先根據每道題的長度構造一個空的dict，最后用來生成dataFrame
dict = {}
for i in range(1, (length + 1)):
dict['colomn%d' % i] = []
# print(dict)
max_index = len(list)
for i in index_list:
# 如果i不是最后一個，那么start就是i，end就是i的下一個
if i < index_list[-1]:
start = i
end = index_list[index_list.index(i) + 1]
else:
start = i
end = max_index
# 遍歷一輪獲得的結果就是我們要寫入excel的一行
colomn = 1
for index in range(start, end):
# 遍歷一次獲得的結果就是我們要寫入excel的一格
content = list[index]
# 每遍歷一次就在一個dict中取出某一列，給它加上這個數據
dict['colomn%d' % colomn].append(content)
colomn += 1
# 在遍歷到最后一輪的時候
if index == (end - 1):
# 判斷是否需要插入空值
if not is_same_length and ((end - start) < length):
# 可能缺了2列,也可能缺了1列
content = ''
# 如果只是缺了一列,在現有的index上,加1,就是下一列,補上空值
if (length - (end - start)) == 1:
colomn = (end - start) + 1
dict['colomn%d' % (colomn)].append(content)
else:
# 如果缺失了2列以上,就遍歷,給之后的每一列都補上空值
for i in range(length - (end - start)):
colomn = length - i
dict['colomn%d' % (colomn)].append(content)
final_df = pd.DataFrame(dict)
new_file_path = file_path.split('.')[0] + '.xlsx'
final_df.to_excel(r'%s' % new_file_path)
def file_handle_by_range(file_path, max_page_num, split_str):
result = initail_handle_by_range(file_path, max_page_num, split_str)
# 接收初始處理函數的結果
is_same_length = result[0]
index_list = result[1]
list = result[2]
length = result[3]
# 先根據每道題的長度構造一個空的dict，最后用來生成dataFrame
dict = {}
for i in range(1,(length+1)):
dict['colomn%d'%i] = []
max_index = len(list)
for i in index_list:
# 如果i不是最后一個，那么start就是i，end就是i的下一個
if i < index_list[-1]:
start = i
end = index_list[index_list.index(i) + 1]
else:
start = i
end = max_index
# 遍歷一輪獲得的結果就是我們要寫入excel的一行
colomn = 1
for index in range(start, end):
# 遍歷一次獲得的結果就是我們要寫入excel的一格
content = list[index]
# 每遍歷一次就在一個dict中取出某一列，給它加上這個數據
dict['colomn%d' % colomn].append(content)
colomn += 1
# 在遍歷到最后一輪的時候
if index == (end - 1):
# 判斷是否需要插入空值
if not is_same_length and ((end-start)<length):
# 可能缺了2列,也可能缺了1列
content = ''
# 如果只是缺了一列,在現有的index上,加1,就是下一列,補上空值
if (length-(end-start)) == 1:
colomn = (end-start) +1
dict['colomn%d'% (colomn)].append(content)
else:
# 如果缺失了2列以上,就遍歷,給之后的每一列都補上空值
# 8-6 = 2, i = 0, 1
for i in range(length-(end-start)):
colomn = length - i
dict['colomn%d' % (colomn)].append(content)
final_df = pd.DataFrame(dict)
new_file_path = file_path.split('.')[0] + '.xlsx'
final_df.to_excel(r'%s'%new_file_path)
# 傳入一個文件夾路徑，最大的迭代數字，切割字符串
def dir_handle_by_range(dir_path, max_page_num, split_str):
files = os.listdir(dir_path) # 獲取當前目錄的所有文件及文件夾
for file in files:
file_path = os.path.join(dir_path, file) # 遍歷獲取每個文件的絕對路徑
result = initail_handle_by_range(file_path, max_page_num, split_str)
# 接收初始處理函數的結果
is_same_length = result[0]
index_list = result[1]
list = result[2]
length = result[3]
# 先根據每道題的長度構造一個空的dict，最后用來生成dataFrame
dict = {}
for i in range(1, (length + 1)):
dict['colomn%d' % i] = []
max_index = len(list)
for i in index_list:
# 如果i不是最后一個，那么start就是i，end就是i的下一個
if i < index_list[-1]:
start = i
end = index_list[index_list.index(i) + 1]
else:
start = i
end = max_index
# 遍歷一輪獲得的結果就是我們要寫入excel的一行
colomn = 1
for index in range(start, end):
# 遍歷一次獲得的結果就是我們要寫入excel的一格
content = list[index]
# 每遍歷一次就在一個dict中取出某一列，給它加上這個數據
dict['colomn%d' % colomn].append(content)
colomn += 1
# 在遍歷到最后一輪的時候
if index == (end - 1):
# 判斷是否需要插入空值
if not is_same_length and ((end - start) < length):
# 可能缺了2列,也可能缺了1列
content = ''
# 如果只是缺了一列,在現有的index上,加1,就是下一列,補上空值
if (length - (end - start)) == 1:
colomn = (end - start) + 1
dict['colomn%d' % (colomn)].append(content)
else:
# 如果缺失了2列以上,就遍歷,給之后的每一列都補上空值
for i in range(length - (end - start)):
colomn = length - i
dict['colomn%d' % (colomn)].append(content)
final_df = pd.DataFrame(dict)
new_file_path = file_path.split('.')[0] + '.xlsx'
final_df.to_excel(r'%s' % new_file_path)
# 傳入一個文件夾路徑和一個匹配的字符串,至少2個符號,例如"#."
def dir_handle_by_patchstr(dir_path, patch_str, split_str):
files = os.listdir(dir_path) # 獲取目錄的所有文件及文件夾
for file in files:
file_path = os.path.join(dir_path, file) # 遍歷獲取每個文件的絕對路徑
print(file_path)
result = initail_handle_by_patchstr(file_path, patch_str, split_str)
# 接收初始處理函數的結果
is_same_length = result[0]
index_list = result[1]
list = result[2]
length = result[3]
# 先根據每道題的長度構造一個空的dict，最后用來生成dataFrame
dict = {}
for i in range(1, (length + 1)):
dict['colomn%d' % i] = []
# print(dict)
max_index = len(list)
for i in index_list:
# 如果i不是最后一個，那么start就是i，end就是i的下一個
if i < index_list[-1]:
start = i
end = index_list[index_list.index(i) + 1]
else:
start = i
end = max_index
# 遍歷一輪獲得的結果就是我們要寫入excel的一行
colomn = 1
for index in range(start, end):
# 遍歷一次獲得的結果就是我們要寫入excel的一格
content = list[index]
# 每遍歷一次就在一個dict中取出某一列，給它加上這個數據
dict['colomn%d' % colomn].append(content)
colomn += 1
# 在遍歷到最后一輪的時候
if index == (end - 1):
# 判斷是否需要插入空值
if not is_same_length and ((end - start) < length):
# 可能缺了2列,也可能缺了1列
content = ''
# 如果只是缺了一列,在現有的index上,加1,就是下一列,補上空值
if (length - (end - start)) == 1:
colomn = (end - start) + 1
dict['colomn%d' % (colomn)].append(content)
else:
# 如果缺失了2列以上,就遍歷,給之后的每一列都補上空值
for i in range(length - (end - start)):
colomn = length - i
dict['colomn%d' % (colomn)].append(content)
final_df = pd.DataFrame(dict)
print(final_df)
print(file_path)
new_file_path = file_path.split('.')[0] + '.xlsx'
print(new_file_path)
final_df.to_excel(r'%s' % new_file_path)
if __name__ == '__main__':
# 文件路徑
# file_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\2018-04 技能操作真題.txt'
# 文件夾路徑
dir_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\mytest'
# 根據數字處理具體文件,參數傳文件路徑,可迭代的最大數可自定義,分隔符也自定義
# file_handle_by_range(file_path, 100, '.')
# 根據自定義匹配符處理具體文件,參數傳文件路徑,匹配符可以自定義,切割符也可以自定義
# file_handle_by_patchstr(file_path, '#', '.')
# 根據數字處理具體整個文件夾,參數傳文件路徑,可迭代的最大數可自定義,分隔符也自定義
# dir_handle_by_range(dir_path, 100, '.')
# 根據自定義匹配符處理具體文件夾,參數傳文件路徑,匹配符可以自定義,切割符也可以自定義
# dir_handle_by_patchstr(dir_path, '#', '.')解決這個需求的關鍵點是什么： 1、python怎么讀取這個文件的內容？ python有相關的word操作庫可以讀取，但是讀取到的結果不方便操作。我們最終是要讓它生成excel文件的，所以可以用python非常強大的科學計算包pandas來讀取操作數據更好。
但pandas不能直接讀取word文件，所以，需要先把它轉成txt文檔，這一步很簡單，打開word，全部復制到一份新的txt文件中就行了。（注意要在第一行給它加上列名，我直接加了個colomn1，代表是第一列）簡單處理后的txt文檔的結構類似這樣：
2、讀取到的數據如何處理？
使用pandas讀取到的數據是一個dataFrame，dataFrame的結構就類似于我們在excel文檔里面那樣行列分明的。但是，它從txt讀取出來的格式是全部內容都視為1列的，而txt中的每一段，在它這里就是每一行（注意是每一段對應一行，而不是每一行對應每一行）預覽一下：結果顯示800行，1列。也就是在txt文檔中有800個段落。
3、接下來怎么處理呢？
pandas強大的地方就在這里了，它可以直接把這1列的內容全部轉成Series，Series是什么你可以不用管，你只需要知道Series可以直接轉成列表list就行了。有了list我們就方便操作了。
以上幾步就實現了從word里面讀取數據，并轉化成python的數據類型list了。list里面的每個元素，就等同于我們word里面的每一個段落。控制臺打印出來的就是這樣：下面的800是計算出這個列表的長度，代表有800個元素。
接下來我們的需求就變成了：怎么把一個列表，轉成有明確行列結構的excel表格了。
這個要分為2種情況來說： 1、你的word文檔結構相對合理些，每道題都固定是X個段落（例如每道題都是8個段落），這個解決就很簡單了。因為這種情況對應就是在list中，每8個元素構成了1道題，你只要按照規律，8個8個取出，最后批量寫入excel就行了。（這種解決起來比較簡單，就不詳細說了）
2、另一種情況比較麻煩，就是word文檔的結構不規范，有的題目可能是8個段落，有的可能是7段，有的是6段。那么要怎么解決呢？
解決這個問題有幾個關鍵點： 1、excel表格是行列結構的，它每一行的數據來源于這個txt文檔的第幾行？（也就是list里面的第幾個元素）所以我們只要把每道題在list中的索引找出來就行了。
觀察一下源數據，它每道題的開頭都是數字加1個英文符號“.”，例如：“1.”和“2.”，最大的是"100."，并且其他段落的開頭都不會出現這個結構。那么就簡單了，我先構造出一個patch_list=[‘1', ‘2', ‘3'…‘100']，用來做匹配。
然后再遍歷源數據列表，對列表的每個元素按“.”號切割，切割后拿到它的第一個元素，拿這個元素跟pacth_lis進行匹配，如果它是在patch_list中的，就代表它是每道題的開頭。此時就記錄下它的索引，并且把這個索引值存放到一個新列表index_list中。下面是我獲取到的index_list：
0代表了第一道題是在列表的第1個元素開始的，8代表第二道題在列表的第9個元素開始。
于是我們就知道每道題的開頭是在列表中的哪個位置了。
2、拿到了每道題的索引，然后怎么做呢？最終我們是要轉存到excel文檔中的， pandas怎么轉excel？很簡單的，只要你構造出一個dataFrame出來，調用pandas的to_excel方法，就能存入excel文檔了。
3、問題的關鍵就變成了，有了每道題的索引，怎么把它轉成dataFrame結構。下面演示一下，假如你想要構造一個dataFrame，需要什么樣的數據結構，構造出來的dataFrame在控制臺的輸出結果是怎么樣的，最后生成的excel表格是怎么樣的。
dict = {'colomn1': ['問題1', '問題2', '問題3'],
'colomn2': ["A：問題1的A選項", "A：問題2的A選項", "A：問題3的A選項"],
'colomn3': ['B：問題1的B選項', 'B：問題2的B選項', 'B：問題3的B選項']}
df = pd.DataFrame(dict)
print(df)
df.to_excel(r'C:\Users\Administrator\PycharmProjects\exchange_file\test.xlsx')這個就是調用pandas的DataFrame方法，用字典dict生成的一個dataFrame數據。這個dataFrame在控制臺打印出來就是：
這個結構存入excel就是對應表格的行和列了。這個結構就符合我的實際需求了。
所以我們要構造出這個dataframe的關鍵就是：把所有數據梳理一遍，構造成類似這樣的一個字典：
dict = {'colomn1': ['問題1', '問題2', '問題3'],
'colomn2': ["A：問題1的A選項", "A：問題2的A選項", "A：問題3的A選項"],
'colomn3': ['B：問題1的B選項', 'B：問題2的B選項', 'B：問題3的B選項']}那么怎么構建這個dict呢？
我們源數據轉出來的list結構是類似這樣的： list = [‘問題1',“A：問題1的A選項”, ‘B：問題1的B選項'…‘問題2',“A：問題2的A選項”, ‘B：問題2的B選項']
而我們前面得到的index_list=[0, 8, 16。。。。] 它記錄了“問題1”，“問題2”等等直到“問題100”是在哪個位置開始的，所以我們只需要把index_list遍歷一下，輪流取出它的每個元素，它就是每道題的開始位置，然后拿到緊跟在這個元素的下一個是什么，用這個減去1就知道了每道題的開始位置start和結尾位置end是多少了。
接著使用
for i in range(start, end): content = list[i]
就可以輪番從list中取出每道題的各項內容，取到的第一個就加到dict的colomn1列表中，第二個就加到dict的colomn2中，按照這個規律，就能把list的內容分開插入到dict中的各個列表中了。
但在這個過程中，可能你每道題的段落數目不一致，也就是你按照這個規律從list中取出的元素，可能每次取出的數量都不一樣。這點需要注意，如果沒有對它進行處理，最后會導致轉出來的文件內容錯位了，例如你的文檔里面，第一題有8個段落，第二題只有7個，第三題有8個段落，沒處理這個問題的話，最后第三題的第8個段落，就會跑到第7題那邊了。并且最終dataFrame會無法生成excel文件。
那么這個問題怎么解決呢？
在正式調用處理函數生成excel文件之前，可以先對文件預處理，拿到它們的數據進行判斷，如果判斷到它每個間隔不一樣，有的缺少段落，那么就讓數據預處理函數返回一個值為False，間隔一樣就返回True。接著在真正的數據提取環節，根據這個進行判斷，如果判斷到它值是Fales，那么就在每一輪遍歷提取數據的最后一次遍歷，一次性在它后面的缺失數據的列加上空字符串，作為占位用，這樣最后得到的列表長度就都一樣了，并且在最后生成的excel表中，它是一個空格。
最后用dict生成dataFrame，再寫入excel文檔，我們就大功告成了。
一、運行必須的工具 1、python解釋器（pycharm或其他）； 2、python自帶模塊：os； 3、自行安裝模塊：pandas，openpyxl；
自行安裝的模塊，在控制臺pip install pandas和pip install openpyxl就行了。
二、怎么調用：
1、先要做數據預處理：先要把word文檔的內容復制到txt文檔中，并且在第一行加上"column1"，處理后像下面這樣：
接著要看你的文檔內容是否有題號，如果有的話：比如像我這個，有具體的題號1-100題，并且它的寫法都是“1.”，在題號后面跟了個英文字符'.‘，順序遞增到100。
那么你就可以調用file_handle_by_range。
你給它傳第一個參數是個具體的文件路徑，它就會去打開這個文件，讀取里面的內容。
傳的第二個參數是100，它就會自動生成1到100的字符串，用來匹配識別你的每道題的開頭在哪個位置。（如果你最大的題號是200，就寫200，可以寫多，但不能寫少，少了識別到的內容會缺失）
傳的第三個參數是'.‘，它就會按照'.'去切割每一行的內容，拿到第一個“.”號前面的內容，用來跟它生成的匹配字符做比對，比對成功了，它就默認該行是你想要寫到excel表格里的第一列，接在它后面的每個段落，會自動插入到它后面的列。
直到匹配到下一個“數字.”開頭的，又重復這個過程。
如果你的文檔里面并不是像我這樣，沒有順序遞增的題號，你可以手動給每個你想要放在表格中第一列的段落，在它前面加標識符，例如“####.”，注意最后是有個小點的。像下面這樣：
接著調用
for i in range(start, end): content = list[i]
那么它就默認按照'.‘去切割每行內容，并且按照####來匹配識別切到的內容，如果切到在'.'前面的是“####”，那么它就默認這一段是你想存到excel表第一列的段落，在它后面的幾段，都會按照每個段落存入一格去處理。直到下一個“####.”出現。
2、可調用的有4個函數： 2.1、假如你只想處理一個具體的文檔，并且它有具體的題號，最大題號是100，并且它后面跟的是一個'.'，那么就按照下面這個調用
file_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\2018-04 技能操作真題.txt' file_handle_by_range(file_path, 100, '.')
2.2、根據自定義匹配符處理具體文件,參數傳文件路徑,匹配符可以自定義,切割符也可以自定義
file_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\2018-04 技能操作真題.txt' file_handle_by_patchstr(file_path, '#', '.')
2.3、根據數字處理具體整個文件夾,參數傳文件路徑,可迭代的最大數可自定義,分隔符也自定義。（注意文件夾路徑，最后是不跟文件名的，它是個文件夾，不是具體文件路徑）
# 文件夾路徑 dir_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\mytest' dir_handle_by_range(dir_path, 100, '.')
2.4、根據自定義匹配符處理具體文件夾,參數傳文件路徑,匹配符可以自定義,切割符也可以自定義
# 文件夾路徑 dir_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\mytest' dir_handle_by_patchstr(dir_path, '#', '.')
感謝各位的閱讀！關于“python如何實現word文檔批量轉成自定義格式的excel文檔的思路”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
