我們?cè)谧鲆恍?shù)據(jù)統(tǒng)計(jì)或分析的時(shí)候，有時(shí)會(huì)接觸到Execl 格式或者Word 格式的文件。Execl格式的數(shù)據(jù)提取和解析，我們?cè)谥暗奈恼路窒磉^(guò)一些非常好用的Python第三方庫(kù)，本文中主要介紹如何使用Python python-docx 模塊提取Word 文件中的文本信息和表格數(shù)據(jù)。

[[282836]]

python-docx 安裝

本文python-docx 安裝 在Windows 10系統(tǒng)，Python3 環(huán)境中使用pip進(jìn)行安裝。

演示文本

為了方便理解，我們以 python-docx.docx 文件為例，演示如何使用Python 提取其中的文本數(shù)據(jù)和表格數(shù)據(jù)，并開發(fā)自定義函數(shù)以字典的形式提取內(nèi)容，python-docx.docx文件內(nèi)容如下：

在使用python-docx 讀取word文檔中文本之前，我們先了解下python-docx 模塊的幾個(gè)概念。

• Document 對(duì)象，表示一個(gè)Word文檔。
• Paragraph 對(duì)象，表示W(wǎng)ord文檔中的一個(gè)段落。
• Paragraph 對(duì)象的text屬性，表示段落中的文本內(nèi)容。

提取docx文件中文本信息

使用python-docx 提取docx文件中文本數(shù)據(jù)，Python實(shí)現(xiàn)代碼如下：

如上，我們將python-docx.docx 文件中的文本信息，按行提取出來(lái)，存儲(chǔ)到字典中，字典的Key為行號(hào)，Value為文本信息，執(zhí)行上述代碼，輸出結(jié)果如下：

提取docx文件中表格數(shù)據(jù)

使用python-docx 提取docx文件中表格數(shù)據(jù)，Python實(shí)現(xiàn)代碼如下：

如上，我們將python-docx.docx 文件中的表單信息，按行提取出來(lái)，存儲(chǔ)到列表中，列表每個(gè)元素為一個(gè)表格的數(shù)據(jù)，數(shù)據(jù)結(jié)構(gòu)為字典，執(zhí)行上述代碼輸出結(jié)果如下：

寫入數(shù)據(jù)到docx文件中

我們同樣可以利用python-docx 模塊，實(shí)現(xiàn)docx文件的數(shù)據(jù)寫入，如標(biāo)題、字號(hào)、引用、列表、圖片插入等等。由于如下代碼注釋中說(shuō)明比較詳細(xì)，此處不做過(guò)多介紹，代碼如下：

執(zhí)行上述代碼，寫入數(shù)據(jù)保存至testops—docx.docx 文件中，內(nèi)容如下：

提取包含指定關(guān)鍵字的文本

我們基于上述自定義封裝函數(shù) extract_text、extract_form，結(jié)合re 模塊，就可以實(shí)現(xiàn)提取包含關(guān)鍵字的文本內(nèi)容，代碼實(shí)現(xiàn)如下：

如上，我們實(shí)現(xiàn)了提取docx 文本中包含指定內(nèi)容的文本信息，并輸出該內(nèi)容所在行，執(zhí)行上述代碼，輸出結(jié)果為：