用python实现多文档查询

tjygg

会编程的岩土工程师

问题背景

小皮同学最近很苦恼。

小皮同学所在的科室最近承接了一个大工程的咨询项目，小皮同学和同事们都很开心，因为这意味着大家从画图的一跃变成了审图的，以前那种“专家一句话，改图头改大”的日子一去不返。因此大家在提出图审意见的时候，想必都是结合了自己丰富的绘图经验，最终的图审意见做到了内容详实，成果丰富。这些意见就像东风导弹一样，一枚枚的砸向设计单位，足足有200多发。

然而有时候搬起石头砸自己的脚就是这么容易，小皮同学碰上了难缠的业主。业主要求对每条图审意见按照降低施工风险、节约投资、设计优化、设计质量提升、提高施工可操作性进行分类，最终分成对应的五个word文档，每个文档里面包含提出的具体意见，意见对应的图册、图纸名称，图纸编号等信息。

那么问题来了，如果知道一条意见的具体内容，如何快速判定它属于哪一类呢？一般的做法是依次打开这五个word文档进行查询，对小皮同学来说，如果200多条意见挨个查下来，工作量太大而且容易出错，那么有没有工具可以快速做到多文档查询呢？

小皮同学上网做了一会功课，发现类似的需求还真不少，有人是想给案宗进行归类整理，有人是想在多个合同里面查询有没有出现相应关键字，还有人想批量替换多个word文档中的相应字符串等等。但是小皮同学发现，网上给出的解决方法却还比较初级，列举如下：

利用windows自带的文件搜索功能，但是只能查到关键字所在的文档，而且速度比较坑爹。
把文档合并成一个文件进行搜素，尽管操作上稍微有所简化，但是丢失了文档标题信息，而且也没法进行替换操作
也有人推荐了一些软件，比如DocFetcher，Wordpipe，Search And Replace等等，但是一通使用下来发现，有些软件付费且功能繁琐，有些则完全没用，成本高且效果不太好。

代码实现

其实这个问题并不是很难解决，相反可以用来作为Python入门的案例。

首先需要在电脑上安装好Python环境，主要用到自带的OS模块以及python-docx模块。安装并配置环境这一块可能会难倒很多新手小朋友，有不懂的可以在评论区留言，人数多的话我会在专栏中专门写一篇文章来讲讲我自己的一些方法。

在配置好环境后，废话不多说，直接上代码。因为本人职业是一只设计汪，Python只是兴趣，代码写的不好的地方也欢迎各位程序员大神对代码批评指正。

import os
from docx import Document
path = r"D:\帅妹\01施工总承包\目录7-总包合同\附件"
str_to_search = input("请输入要搜索的字段：")
def search_str_in_paragraph(str_to_search, paragraph):
    本函数旨在特定段落中搜索指定字符串，并返回字符串索引位置。
    str_index = paragraph.text.index(str_to_search)
    return str_index
for root, dirs, files in os.walk(path, topdown=False):
    for file in files:
        filename = file.split(".")[0]
        ext = file.split(".")[1]   
        if ext == "docx":
            doc = Document(os.path.join(root, file))
            for paragraph in doc.paragraphs:
                if str_to_search in paragraph.text:
                    str_index = search_str_in_paragraph(str_to_search, paragraph)
                    print(paragraph.text[str_index-10:str_index+10], "-----", filename, "-----", os.path.join(root, file))

以上代码就能实现在多个文档中查询相关字符串，在使用的时候只需要把path后面的字符串替换成查询的word文档所在的路径即可，由于os.walk的特殊属性，此代码可以实现文件夹的遍历，意思是文件夹中的文件夹，文件夹中的文件夹的文件夹等等都能够做到刨根问底，刨个稀烂。

运行以后，会要求你输入需要搜索的字段，这里我输入的字符串为“工程”。

以一条典型的结果为例，输出的结果包含以下三部分内容：

文件中查询字符串前后的文本内容，这条信息用来判断查询的字符串前后大致是讲什么的。
查询到的字符串所在的文档名称，这条信息就是为了显示查询的字符串是在哪个word文件中。
word文档所在的绝对路径。

但是以上代码也有缺陷，那就是python中的docx库并不能处理后缀名为.doc的文件，但是如果文件数量很多的话，一个个手动变为.docx文件又太过于繁琐，因此又有下面的代码可以实现批量将.doc文件转化为.docx文件。

import os
import sys
import pickle
import re
import  codecs
import string
import shutil
from win32com import client as wc
import docx
path = r"D:\帅妹\01施工总承包\目录7-总包合同\附件"
def doSaveAas(path_convert):
    word = wc.Dispatch('Word.Application')
    doc = word.Documents.Open(path_convert)        # 目标路径下的文件
    doc.SaveAs(f"{path_convert}_convert.docx", 12, False, "", True, "", False, False, False, False)  # 转化后路径下的文件    
    doc.Close()
    word.Quit()