Python自动化办公：批量提取 Word中表格内容，一键写入Excel！

AF程序猿

今天文章介绍一个实战案例，与自动化办公相关；案例思想是源于前两天帮读者做了一个 demo ，需求大致将一上百个 word 中表格内容提取出来(所有word 中表格样式一样)，把提取到的内容自动存入 Excel 中

word 中表格形式如下

目前含有数个上面形式的 word 文档需要整理，目标是利用 python 自动生成下面形式 excel 表格

正式案例讲解之前，先看一下转换效果，脚本先把指定文件夹下的 doc 文件转化为 docx ，随后自动生成一个 excel 表格，表格内中即为所有 word 中的内容

涉及的库

本案例中用到的 Python 库有以下几个

python-docx
pandas
pywin32

doc 转化为 docx

本案例中 word 中表格内容的提取用到的是 python-docx 库

word 文档有时是以 doc 类型保存的， python-docx 只能处理 docx 文件类型，在提取表格内容之前，需进行一次文件类型格式转换： 把 doc 批量转化为 docx ；

doc 转 docx 最简单的方式通过Office 中 word 组件打开 doc 文件，然后手动保存为 docx 文件，对于单个文档这个方法还行，文档数量达到上百个的话还用这种方法就有点烦了，

这里介绍一个 python 库 pywin32 来帮助我们解决这个问题，pywin32 作为扩展模块，里面封装了大量 Windows API 函数，例如调用 Office 等应用组件、删除指定文件、获取鼠标坐标等等

利用 pywin32 控制Office 中 Word 组件自动完成打开、保存操作，把所有 doc 文件类型转化为 docx 文件类型，步骤分为以下三步：

1，建立一个 word 组件

from win32com import client as wc
word = wc.Dispatch('Word.Application')

2，打开 word 文件

doc = word.Documents.Open(path)

3，保存关闭

doc.SaveAs(save_path,12, False, "", True, "", False, False, False, False)
doc.Close()

完整代码

path_list = os.listdir(path)
    doc_list = [os.path.join(path,str(i)) for i in path_list if str(i).endswith('doc')]
    word = wc.Dispatch('Word.Application')
    print(doc_list)
    for path in doc_list:
        print(path)
        save_path = str(path).replace('doc','docx')
        doc = word.Documents.Open(path)
        doc.SaveAs(save_path,12, False, "", True, "", False, False, False, False)
        doc.Close()
        print('{} Save sucessfully '.format(save_path))
    word.Quit()

docx 库提取单个表格内容

在批量操作之前，首先需要搞定单个表格中的内容，只要我们搞定了单个 word，剩下的加一个递归即可

用 docx 库对 word 中表格内容提取，主要用到 Table、rows、cells 等对象

Table 表示表格，rows 表示表格中行列表，以迭代器形式存在；cells 表示单元格列表，也是以迭代器形式

操作之前，需了解下面几个基础函数

通过 Document 函数读取文件路径，返回一个 Document 对象
Document.tables 可返回 word 中的表格列表;
table.rows 返回表格中的行列表;
row.cells 返回该行中含有的单元格列表;
cell.text 返回该单元格中文本信息

了解了上面内容之后，接下来的操作思路就比较清晰了；word 表格中文本信息可以通过两个 for 循环来完成：第一个 for 循环获取表格中所有行对象，第二个 for 循环定位每一行的单元格，借助 cell.text 获取单元格文本内容；

用代码试一下这个思路是否可行

document = docx.Document(doc_path)
    for table in document.tables:
        for row_index,row in enumerate(table.rows):
            for col_index,cell in enumerate(row.cells):
                print(' pos index is ({},{})'.format(row_index,col_index))
                print('cell text is {}'.format(cell.text))

会发现，最终提取到的内容是有重复的，，，

出现上面原因，是由于单元格合并问题，例如下面表格的单元格是合并了 (1,1)->(1,5) ，docx 库在处理这类合并单元格时并没有当成一个，而是以单个形式进行处理，因此 for 迭代时 (1,1)->(1,5) 单元格返回了五个，每一个单元格文本信息都返回是

面对以上文本重复问题，需要添加一个去重机制，姓名、性别、年龄...学历学位等字段作为列名 col_keys，后面王五、女、37、... 学士等作为col_values，提取时设定一个索引，偶数为 col_keys, 奇数为 col_vaues ；

代码重构后如下:

document = docx.Document(doc_path)
    col_keys = [] # 获取列名
    col_values = [] # 获取列值
    index_num = 0
    # 添加一个去重机制
    fore_str = ''
    for table in document.tables:
        for row_index,row in enumerate(table.rows):
            for col_index,cell in enumerate(row.cells):
                if fore_str != cell.text:
                    if index_num % 2==0:
                        col_keys.append(cell.text)
                    else:
                        col_values.append(cell.text)
                    fore_str = cell.text
                    index_num +=1
    print(f'col keys is {col_keys}')
    print(f'col values is {col_values}')

最终提取后的效果如下

批量 word 提取，保存至 csv 文件中

能够处理单个 word 文件之后，一个递归即可提取到所有 word 文本表格内容，最后利用 pandas 把获取到的数据写入到 csv 文件即可！

def GetData_frompath(doc_path):
    document = docx.Document(doc_path)
    col_keys = [] # 获取列名
    col_values = [] # 获取列值
    index_num = 0
    # 添加一个去重机制
    fore_str = ''
    for table in document.tables:
        for row_index,row in enumerate(table.rows):
            for col_index,cell in enumerate(row.cells):
                if fore_str != cell.text:
                    if index_num % 2==0:
                        col_keys.append(cell.text)
                    else:
                        col_values.append(cell.text)
                    fore_str = cell.text
                    index_num +=1
    return col_keys,col_values
pd_data = []
for index,single_path in enumerate(wordlist_path):
    col_names,col_values = GetData_frompath(single_path)
    if index == 0:
        pd_data.append(col_names)
        pd_data.append(col_values)