快捷導(dǎo)航

使用python處理一萬(wàn)份word表格簡(jiǎn)歷操作

更新時(shí)間：2021年03月12日 17:25:51 作者：geoker

這篇文章主要介紹了使用python處理一萬(wàn)份word表格簡(jiǎn)歷操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧

前言

有一天朋友A向我抱怨，他的老板要求他把幾百份word填好的word表格簡(jiǎn)歷信息整理到excel中，看著他一個(gè)個(gè)將姓名，年齡……從word表格里復(fù)制粘貼到excel里，邊粘貼心里邊暗暗詛咒著自己的boss……但畢竟新手小白，又不能違背老板的意愿說(shuō)我不干了，愛(ài)咋咋地，于是過(guò)來(lái)向我求助。我說(shuō)，這事情好辦啊，學(xué)學(xué)python就能解決啊，簡(jiǎn)單容易上手。好了，接下來(lái)進(jìn)入正題。

思路：首先針對(duì)每一份word表格進(jìn)行分析

怎么才能利用python獲取到word表格里面的信息，最初的想法是把word里面的表格轉(zhuǎn)成網(wǎng)頁(yè)格式，畢竟混跡爬蟲(chóng)淺水區(qū)多年，用正則表達(dá)式處理網(wǎng)頁(yè)來(lái)獲取信息是比較輕松的，于是想到把word轉(zhuǎn)成網(wǎng)頁(yè)格式，這么一想，整個(gè)人都瘋了，幾百份文件打開(kāi)然后轉(zhuǎn)成網(wǎng)頁(yè)，那也有不少勞動(dòng)量啊。于是在網(wǎng)上搜了許久，發(fā)現(xiàn)docx文件自己本身是壓縮文件，打開(kāi)壓縮包之后竟然發(fā)現(xiàn)里面有個(gè)專門(mén)存儲(chǔ)word里面文本的文件。

打開(kāi)文件找，發(fā)現(xiàn)我們想要的信息全都藏在這個(gè)名為document.xml的文件里

于是基本過(guò)程就可以確定了

1. 打開(kāi)docx的壓縮包

2. 獲取word里面的正文信息

3. 利用正則表達(dá)式匹配出我們想要的信息

4. 將信息存儲(chǔ)到txt中（txt可以用excel打開(kāi)）

5. 批量調(diào)用上述過(guò)程，完成一萬(wàn)份簡(jiǎn)歷的提取工作

6. （檢查數(shù)據(jù)是否有錯(cuò)誤或缺失）

0x01 獲取docx信息

利用python的zipfile庫(kù)以及re庫(kù)來(lái)處理docx壓縮包里面的document.xml文件里的信息。

import zipfile
import re
def get_document(filepath):
  z = zipfile.ZipFile(filepath, "r")
  text = z.read("word/document.xml").decode("UTF-8")
  text = re.sub(r"<.*?>", "", text)#去除xml里的所有標(biāo)記符
  ###如果多份簡(jiǎn)歷在同一個(gè)word文件里###
  #table_list = text.split("XX簡(jiǎn)歷")[1:]#依據(jù)簡(jiǎn)歷標(biāo)題切分每一份簡(jiǎn)歷信息
  #return table_list
  return text

打印text的結(jié)果

自此，輸出了簡(jiǎn)歷中的所有相關(guān)信息

0x02 抓取各字段值

接下來(lái)根據(jù)這些相關(guān)信息抓取各個(gè)字段的值

import re
def get_field_value(text):
  value_list = []
  m = re.findall(r"姓 名(.*?)性  別", table)
  value_list.append(m)
  m = re.findall(r"性  別(.*?)學(xué)  歷", table)
  value_list.append(m)
  m = re.findall(r"民 族(.*?)健康狀況", table)
  value_list.append(m)  
  '''
  此處省略其他字段匹配
  '''
  return value_list

這樣就將每個(gè)字段匹配到的內(nèi)容以一個(gè)列表的形式返回了

0x03 將內(nèi)容寫(xiě)入到文件

接下來(lái)將這個(gè)列表里的內(nèi)容寫(xiě)入到txt中

str1 = ""
for value in value_list:
  str1 = str1 + str(value[0]) + "\t"#每個(gè)字段值用制表符\t分隔
str1 = str1 + "\n"
with open("result.txt", "a+") as f:#將內(nèi)容以追加形式寫(xiě)入到result.txt中
  f.write(str1)

以上是將一個(gè)word轉(zhuǎn)成了txt

只要再對(duì)文件夾中的文件進(jìn)行批量處理就ok了

0x04 批量處理完整代碼

以下附上完整代碼

import re
import zipfile
import os
def get_document(filepath):
  z = zipfile.ZipFile(filepath, "r")
  text = z.read("word/document.xml").decode("UTF-8")
  text = re.sub(r"<.*?>", "", text)#去除xml里的所有標(biāo)記符
  ###如果多份簡(jiǎn)歷在同一個(gè)word文件里###
  table_list = text.split("XX簡(jiǎn)歷")[1:]#依據(jù)簡(jiǎn)歷標(biāo)題切分每一份簡(jiǎn)歷信息
  return table_list
def get_field_value(text):
  value_list = []
  m = re.findall(r"姓 名(.*?)性  別", table)
  value_list.append(m)
  m = re.findall(r"性  別(.*?)學(xué)  歷", table)
  value_list.append(m)
  m = re.findall(r"民 族(.*?)健康狀況", table)
  value_list.append(m)  
  '''
  此處省略其他字段匹配
  '''
  return value_list
cv_list = []
for i in os.listdir(os.getcwd()):
  a = os.path.splitext(os.getcwd() + "\\" + i)#獲取當(dāng)前目錄下所有文件的文件名
  if a[1] == '.docx':#如果文件后綴
    print(os.getcwd()+"\\"+i)
    cv_list = cv_list + get_document(os.getcwd() + "\\" + i)#每份簡(jiǎn)歷信息為一個(gè)列表元素
for i in cv_list:
  value_list = get_field_value(i)
  str1 = ""
  for value in value_list:
    str1 = str1 + str(value[0]) + "\t"
  str1 = str1 + "\n"
  with open("result.txt", "a+") as f:
    f.write(str1)

一萬(wàn)份word表格簡(jiǎn)歷信息轉(zhuǎn)成了txt，然后用excel打開(kāi)txt即可。

補(bǔ)充：python word表格一些操作

數(shù)據(jù)格式（datas）：列表套列表

aa =[ [1,2,3,4,5],[6,7,8,9],[]…]

import os
import requests
import json
import datetime
from docx import Document
from docx.shared import Inches, Pt, Cm
from docx.oxml.ns import qn
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
def create_insert_word_table(datas, stday, etday, s):
  """創(chuàng)建word表格以及插入數(shù)據(jù)"""
  doc = Document()
  doc.styles['Normal'].font.name = 'Calibri' # 是用來(lái)設(shè)置當(dāng)文字是西文時(shí)的字體，
  doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋體') # 是用來(lái)設(shè)置當(dāng)文字是中文時(shí)的字體
  # doc.styles['Normal'].font.size = Pt(14) # 設(shè)置所有文字字體大小為14
  distance = Inches(0.5)
  sec = doc.sections[0] # sections對(duì)應(yīng)文檔中的“節(jié)”
  sec.left_margin = distance # 以下依次設(shè)置左、右、上、下頁(yè)面邊距
  sec.right_margin = distance
  sec.top_margin = distance
  sec.bottom_margin = distance
  sec.page_width = Inches(11.7) # 設(shè)置頁(yè)面寬度
  # sec.page_height = Inches(9) # 設(shè)置頁(yè)面高度
  # doc.add_heading() # 設(shè)置標(biāo)題，但是不符合我的條件，只能試用下方p.add_run('我是文字')
  p = doc.add_paragraph() # 添加段落
  p.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER # 設(shè)置中央對(duì)齊
  run = p.add_run('我是文字')
  run.font.size = Pt(22)
  doc.add_paragraph() # 添加空段落
  # 添加表格
  table = doc.add_table(rows=1, cols=10, style='Table Grid')
  table.style.name = 'Table Grid'
  table.style.font.size = Pt(14)
  table.rows[0].height = Cm(20)
  title = table.rows[0].cells
  title[0].text = '姓名'
  title[1].text = '1'
  title[2].text = '2'
  title[3].text = '3'
  title[4].text = '4'
  title[5].text = '5'
  title[6].text = '6 '
  title[7].text = '7'
  title[8].text = '8'
  title[9].text = '9'
  for i in range(len(datas)):
    cels = table.add_row().cells
    for j in range(len(datas[i])):
      # cels[j].text = str(datas[i][j])
      p = cels[j].paragraphs[0]
      p.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER # 設(shè)置中央對(duì)齊
      p.add_run(str(datas[i][j]))
      ph_format = p.paragraph_format
      # ph_format.space_before = Pt(10) # 設(shè)置段前間距
      # ph_format.space_after = Pt(12) # 設(shè)置段后間距
      ph_format.line_spacing = Pt(40) # 設(shè)置行間距
  doc.save('./files/項(xiàng)目總結(jié).docx')