目前我的文件夾中有500多份簡(jiǎn)歷，如果我想知道一些信息，比如學(xué)校，學(xué)歷之類的，我需要打開每一份word去查看，太耗時(shí)間了。這個(gè)時(shí)候python需要出馬了。

目標(biāo)

目前類似截圖中的word有600+，想簡(jiǎn)單的進(jìn)行整理：

可以整理出一份excel用于導(dǎo)航（類似目錄），可以通過(guò)excel來(lái)快速定位到所要的附件，如下圖效果：

具體實(shí)現(xiàn)

有了目標(biāo)，就具體說(shuō)說(shuō)如何實(shí)現(xiàn)的，整理思路還是比較簡(jiǎn)單的，就是遍歷所有的word文件，將word中關(guān)鍵的信息獲取到并保存到excel中。

這里列下主要用到的模塊：

import xlsxwriter
import subprocess
import os
import docx
import sys
import re

xlsxwriter主要用來(lái)操作excel，xlsxwriter只能用來(lái)寫，效率上比xlwt要高，數(shù)據(jù)量不多，用xlwt也ok。

subprocess主要用來(lái)調(diào)用命令行，因?yàn)閐ocx模塊無(wú)法解析doc的word文件，所以在解析前將doc的文件轉(zhuǎn)換成docx文件。

os主要用于遍歷文件夾獲取文件。

docx主要用來(lái)解析word文檔。

規(guī)范下文件名

首先我們先規(guī)范下文件名稱，因?yàn)樵谑褂胹ubprocess.call調(diào)用命令時(shí)，空格，特殊符號(hào)之類的沒辦法轉(zhuǎn)義導(dǎo)致報(bào)錯(cuò)，所以干脆在之前就清理掉這個(gè)潛在問(wèn)題。

def remove_doc_special_tag():
  for filename in os.listdir(path):
    otherName = re.sub("[\s+\!\/_,$%^*(+\"\')]+|[+——()?【】“”！，。？、~@#￥%……&*（）]+", "",filename) 
    os.rename(os.path.join(path,filename),os.path.join(path,otherName))

遍歷文件

之后我們就可以開始正題，遍歷每個(gè)文件進(jìn)行解析：

path='/Users/cavin/Desktop/files'
for filename in os.listdir(path):
  ...具體邏輯...

這里碰到一個(gè)問(wèn)題，首先是docx模塊無(wú)法解析doc的word文檔，由于又是使用的mac，所以也無(wú)法使用win32com模塊，這個(gè)問(wèn)題就比較尷尬，后來(lái)google發(fā)現(xiàn)可以通過(guò)命令將doc轉(zhuǎn)換成docx。

這里注意下轉(zhuǎn)換后的docx文件樣式是丟失的，但這不影響我獲取文本信息。

于是就有了這段代碼，如果是doc的文件，優(yōu)先轉(zhuǎn)換成docx，待解析完之后再移除掉。

if filename.endswith('.doc'):
  subprocess.call('textutil -convert docx {0}'.format(fullname),shell=True)
  fullname=fullname[:-4]+".docx"
  sheetModel= etl_word_files(fullname)#解析文本邏輯
  subprocess.call('rm {0}'.format(fullname),shell=True) #移除轉(zhuǎn)換的文件

解析word文件

接下來(lái)就是解析文件了，通過(guò)docx模塊很容易實(shí)現(xiàn),具體的解析邏輯就不貼了，就是遍歷每一行，根據(jù)一些關(guān)鍵字，符號(hào)來(lái)截取數(shù)據(jù)（每個(gè)簡(jiǎn)歷格式基本上差不多的）

doc = docx.Document(fullname)
for para in doc.paragraphs:
  print(para.text)
  ...具體解析邏輯...

填充excel

解析完的數(shù)據(jù)就可以直接填充excel了:

workbook = xlsxwriter.Workbook('report_list.xlsx')
worksheet = workbook.add_worksheet('list')
worksheet.write(0,0, '序號(hào)') 
worksheet.write(0,1, '姓名') 
worksheet.write(0,2, '性別') 
worksheet.write(0,3, '年齡') 
worksheet.write(0,4, '籍貫') 
worksheet.write(0,5, '目前所在地') 
worksheet.write(0,6, '學(xué)歷')
worksheet.write(0,7, '學(xué)校')
worksheet.write(0,8, '公司')
worksheet.write(0,9, '職位')
worksheet.write(0,10, '文檔鏈接')

這里主要說(shuō)下文檔鏈接的填充，由于是要給其他人的，只要保證附件和excel在同一個(gè)文件夾下，采用相對(duì)路徑的方式來(lái)實(shí)現(xiàn)，可以使用Excel的函數(shù)HYPERLINK:

worksheet.write(index,10, '=HYPERLINK(\"./'+filename+'\",\"附件\")')

問(wèn)題點(diǎn)

到這里，基本上可以實(shí)現(xiàn)相應(yīng)的功能了，但不是很完美，主要是word中的格式不標(biāo)準(zhǔn)，沒有很好的方式去準(zhǔn)確獲取到我要的數(shù)據(jù)，但主要的姓名學(xué)校之類的大多數(shù)都抓到了，也算減輕點(diǎn)任務(wù)啦。

總結(jié)

利用python還是減少了一定的重復(fù)勞動(dòng)，但面對(duì)一些不標(biāo)準(zhǔn)的東東貌似還沒有很好的方式。

雖然可以增加邏輯來(lái)兼容這些不標(biāo)準(zhǔn)，但顯然這個(gè)付出和產(chǎn)出就有點(diǎn)不成正比了。

利用好手上的工具去提高效率才是真的，至于是傻瓜式的重復(fù)工作，還是通過(guò)代碼來(lái)減少重復(fù)勞動(dòng)，就看你自己怎么看啦。

最新評(píng)論