本文的文字及圖片來源于網(wǎng)絡(luò),僅供學(xué)習(xí)、交流使用,不具有任何商業(yè)用途,如有問題請及時聯(lián)系我們以作處理。

作者：小小明

來源：菜J學(xué)Python

Python爬蟲、數(shù)據(jù)分析、網(wǎng)站開發(fā)等案例教程視頻免費(fèi)在線觀看

https://space.bilibili.com/523606542

需求

有一個下面這種形式的word表格：

希望能轉(zhuǎn)換為下面這種格式的excel表格：

測試word文檔讀取

先測試一個word文檔前1頁的數(shù)據(jù)讀取：

from docx import Document

doc = Document("編號02 質(zhì)檢員高級技師（一級）理論試卷.docx")
for i, paragraph in enumerate(doc.paragraphs[:55]):
    print(i, paragraph.text)

從讀取效果上看，各行文本數(shù)據(jù)都能很順利的獲取到。

匹配題型、題目和具體的選項

現(xiàn)在我們需要做的是就是匹配題型、題目和具體的選項，觀察可以發(fā)現(xiàn)規(guī)律：

題型以大寫數(shù)字開頭
題目以普通數(shù)字+.開頭
選項以括號+字母開頭

?

額外需要注意的：

開頭幾行文本也存在普通數(shù)字+.開頭的，需要直接排除。

第7題的題目，和第19題的選項存在一些特殊的空白字符需要排除，

括號和小數(shù)點(diǎn)都同時存在半角和全角兩種情況。

?

對于需要注意的第二點(diǎn)：

查看一下這2處的空白字符：

doc.paragraphs[21].text

'7.（xa0xa0）是第一家實(shí)施六西格瑪管理的公司。xa0'

doc.paragraphs[49].text

'（A）參數(shù)設(shè)計 （B）常量設(shè)計u3000 （C）變量設(shè)計u3000u3000 （D）系統(tǒng)設(shè)計'

發(fā)現(xiàn)分別是xa0和u3000。

整理好大致思路，我組織一下處理代碼：

import re
from docx import Document

doc = Document("編號02 質(zhì)檢員高級技師（一級）理論試卷.docx")

black_char = re.compile("[su3000xa0]+")

chinese_nums_rule = re.compile("[一二三四]、(.+?)(")
title_rule = re.compile("d+.")
option_rule = re.compile("([ABCDEF])")
option_rule_search = re.compile("([ABCDEF])[^(]+")


# 從word文檔的“一、單項選擇題”開始遍歷數(shù)據(jù)
for paragraph in doc.paragraphs[5:25]:
    #  去除空白字符,將全角字符轉(zhuǎn)半角字符，并給括號之間調(diào)整為中間二個空格
    line = black_char.sub("", paragraph.text).replace(
        "（", "(").replace("）", ")").replace("．", ".").replace("()", "(  )")
    # 對于空白行就直接跳過
    ifnot line:
        continue
    if title_rule.match(line):
        print("題目", line)
    elif option_rule.match(line):
        print("選項", option_rule_search.findall(line))
    else:
        chinese_nums_match = chinese_nums_rule.match(line)
        if chinese_nums_match:
            print("題型", chinese_nums_match.group(1))

從目前測試結(jié)果來看沒有問題。

保存匹配到的數(shù)據(jù)到結(jié)構(gòu)化字典

現(xiàn)在我打算將當(dāng)前匹配出來的文本數(shù)據(jù)存儲成字典形式的結(jié)構(gòu)化數(shù)據(jù)，字典結(jié)構(gòu)的設(shè)計如下：

根據(jù)上述設(shè)計完善代碼：

import re
from docx import Document
from collections import OrderedDict

doc = Document("編號02 質(zhì)檢員高級技師（一級）理論試卷.docx")

black_char = re.compile("[su3000xa0]+")

chinese_nums_rule = re.compile("[一二三四]、(.+?)(")
title_rule = re.compile("d+.")
option_rule = re.compile("([ABCDEF])")
option_rule_search = re.compile("([ABCDEF])[^(]+")

# 保存最終的結(jié)構(gòu)化數(shù)據(jù)
question_type2data = OrderedDict()
# 從word文檔的“一、單項選擇題”開始遍歷數(shù)據(jù)
for paragraph in doc.paragraphs[5:]:
    #  去除空白字符,將全角字符轉(zhuǎn)半角字符，并給括號之間調(diào)整為中間一個空格
    line = black_char.sub("", paragraph.text).replace(
        "（", "(").replace("）", ")").replace("．", ".").replace("()", "(  )")
    # 對于空白行就直接跳過
    ifnot line:
        continue
    if title_rule.match(line):
        options = title2options.setdefault(line, [])
    elif option_rule.match(line):
        options.extend(option_rule_search.findall(line))
    else:
        chinese_nums_match = chinese_nums_rule.match(line)
        if chinese_nums_match:
            question_type = chinese_nums_match.group(1)
            title2options = question_type2data.setdefault(question_type, OrderedDict())

遍歷結(jié)構(gòu)化字典并存儲

然后我們遍歷結(jié)構(gòu)化字典，將數(shù)據(jù)保存到pandas對象中：

import pandas as pd

result = []
max_options_len = 0
for question_type, title2options in question_type2data.items():
    for title, options in title2options.items():
        result.append([question_type, title, *options])
        options_len = len(options)
        if options_len > max_options_len:
            max_options_len = options_len
df = pd.DataFrame(result, columns=[
                  "題型", "題目"]+[f"選項{i}"for i in range(1, max_options_len+1)])
# 題型可以簡化下，去掉選擇兩個字
df['題型'] = df['題型'].str.replace("選擇", "")
df.head()

結(jié)果：

最終保存結(jié)果：

df.to_excel("result.xlsx", index=False)

完整代碼

最終完整代碼：

import pandas as pd
import re
from docx import Document
from collections import OrderedDict

doc = Document("編號02 質(zhì)檢員高級技師（一級）理論試卷.docx")

black_char = re.compile("[su3000xa0]+")

chinese_nums_rule = re.compile("[一二三四]、(.+?)(")
title_rule = re.compile("d+.")
option_rule = re.compile("([ABCDEF])")
option_rule_search = re.compile("([ABCDEF])[^(]+")

# 保存最終的結(jié)構(gòu)化數(shù)據(jù)
question_type2data = OrderedDict()
# 從word文檔的“一、單項選擇題”開始遍歷數(shù)據(jù)
for paragraph in doc.paragraphs[5:]:
    #  去除空白字符,將全角字符轉(zhuǎn)半角字符，并給括號之間調(diào)整為中間一個空格
    line = black_char.sub("", paragraph.text).replace(
        "（", "(").replace("）", ")").replace("．", ".").replace("()", "(  )")
    # 對于空白行就直接跳過
    ifnot line:
        continue
    if title_rule.match(line):
        options = title2options.setdefault(line, [])
    elif option_rule.match(line):
        options.extend(option_rule_search.findall(line))
    else:
        chinese_nums_match = chinese_nums_rule.match(line)
        if chinese_nums_match:
            question_type = chinese_nums_match.group(1)
            title2options = question_type2data.setdefault(
                question_type, OrderedDict())

result = []
max_options_len = 0
for question_type, title2options in question_type2data.items():
    for title, options in title2options.items():
        result.append([question_type, title, *options])
        options_len = len(options)
        if options_len > max_options_len:
            max_options_len = options_len
df = pd.DataFrame(result, columns=[
                  "題型", "題目"]+[f"選項{i}"for i in range(1, max_options_len+1)])
# 題型可以簡化下，去掉選擇兩個字
df['題型'] = df['題型'].str.replace("選擇", "")
df.to_excel("result.xlsx", index=False)

最終得到的文件：

總結(jié)

以上是生活随笔為你收集整理的如何用Python将Word文档转换为Excel表格的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。