作者 | 陈熹、刘早起
来源 | 早起Python
大家好，我是早起。
前几天有一个读者说最近要整理几千份文件，头都要整秃了，不知道能不能用Python解决，我们来看一下，你也可以思考一下。
由于涉及文件私密所以具体内容已做脱敏处理。
大概是这样，一个文件夹下有多份会议通知信息（本文以 7 份文件为例）
每一份通知打开格式基本类似，如下所示????
现在需要将每份会议文档中的 学习时间、学习内容、学习形式、主持人 四项关键信息提取出来，整理到 Excel 表格中：
在他真实需求中，会议通知四年积累下来有快 1000 份（四年开了这么多次会也是很厉害...），用人力挨个打开文件并录到 Excel 中工作量实在太大。
好家伙，这种重复的无聊工作，不就是一份非常适合交给 Python 的自动化工作吗？
下面我们来看看如何用Python解决这个问题，主要将涉及：
openpyxl 写入 Excel 文件
python-docx 读取 Word 文件
glob 批量获取文件路径
为了简化上面的需求，本文中需要获取的会议通知文件一共 7 个，分别命名为 会议通知1.docx、会议通知2.docx... 会议通知7.docx，存放在 Notice 文件夹下。输出的目标 Excel 文件命名为Meeting_temp.xlsx
基本逻辑
写代码之前都先明确完整的问题需要分为几个小步骤实现。从需求中我们大概可以将代码分为以下几步：
获取会议通知 Notice 文件夹下的所有文件；
解析每一份 Word 文件，获取需要的四个信息，输出到 Excel 中；
保存 Excel 文件
有了逻辑就有了写代码的思路了。第 1 步可以由 glob 库完成，后面两步就是操作 Word 的 python-docx 库和操作 Excel 的 openpyxl 库的交互协作了。
这两个库我们都有说过，如果你不熟悉，一定要先阅读下面的文章！
代码实现
首先导入需要的库：
1from docx import Document
2from openpyxl import load_workbook
3import glob
将模板 Excel 读取进程序：
1path = r'C:\Users\xxx' # 路径为会议通知文件夹和 Excel 模板所在的位置，可按实际情况更改
2workbook = load_workbook(path + r'\Meeting_temp.xlsx')
3sheet = workbook.active
写任何批处理的代码之前都建议先写一下单次操作的代码，因此我们先完成对 会议通知 1.docx 文件的解析，确保无误。现在对于文档的结构和关键信息的位置尚不明确，可以先将 Word 以段落 Paragraph 为单位输出观察：
1wordfile = Document(path + r'\Notice\会议通知 1.docx')
2for paragraph in wordfile.paragraphs:
3 print(paragraph)
文件的文字排布脉络比较清晰，基本是一句话对应一个段落，而需要的信息可以简单通过判断每句话（每段话）前几个字而明确：
1for paragraph in wordfile.paragraphs:
2 if paragraph.text[0:5] == '学习时间：':
3 study_time = paragraph.text[5:]
4 if paragraph.text[0:4] == '主持人：':
5 host = paragraph.text[4:]
6 if paragraph.text[0:5] == '学习形式：':
7 study_type = paragraph.text[5:]
对于学习内容的获取比较特殊，不像其他三个信息，都在一句话中，且关键字就为前几个字：
可以看到，“学习内容” 四个字和真正包含的内容分散在不同的句子中. 这里简单用一个策略：
建立一个空列表存放，然后遍历每一段判断，如果一个字符为数字且第二个字符为中文顿号 “、” 就获取存放到列表中。最后把列表中的元素重新组合成一个长字符串即可：
1content_lst = []
2 for paragraph in wordfile.paragraphs:
3 if paragraph.text[0:5] == '学习时间：':
4 study_time = paragraph.text[5:]
5 if paragraph.text[0:4] == '主持人：':
6 host = paragraph.text[4:]
7 if paragraph.text[0:5] == '学习形式：':
8 study_type = paragraph.text[5:]
9 if len(paragraph.text) >= 2:
10 if paragraph.text[0].isdigit() and paragraph.text[1] == '、':
11 content_lst.append(paragraph.text)
12 content = ' '.join(content_lst)
完成了解析 Word 文件之后，就需要把内容输出的 Excel 文件中了。
简单来说，就是将上面代码获取到的几个元素组合成一个列表，通过 sheet.append(list) 的方法写入 Excel 文件中：
1number = 0 # 全局中设置一个变量用于计数，做为序号输出
2
3wordfile = Document(path + r'\Notice\会议通知 1.docx')
4content_lst = []
5for paragraph in wordfile.paragraphs:
6 if paragraph.text[0:5] == '学习时间：':
7 study_time = paragraph.text[5:]
8 if paragraph.text[0:4] == '主持人：':
9 host = paragraph.text[4:]
10 if paragraph.text[0:5] == '学习形式：':
11 study_type = paragraph.text[5:]
12 if len(paragraph.text) >= 2:
13 if paragraph.text[0].isdigit() and paragraph.text[1] == '、':
14 content_lst.append(paragraph.text)
15content = ' '.join(content_lst)
16number += 1
17sheet.append([number, study_time, content, study_type, host])
单个文件解析完，用 glob 改完获取文件夹下全部文件，建立循环逐个解析就能完成本需求，当然最后记得保存 Excel 文件。
完整代码如下????
1from docx import Document
2from openpyxl import load_workbook
3import glob
4
5path = r'C:\Users\xxx'
6workbook = load_workbook(path + r'\Meeting_temp.xlsx')
7sheet = workbook.active
8number = 0
9
10for file in glob.glob(path + r'\Notice\*.docx'):
11 wordfile = Document(file)
12 content_lst = []
13 for paragraph in wordfile.paragraphs:
14 if paragraph.text[0:5] == '学习时间：':
15 study_time = paragraph.text[5:]
16 if paragraph.text[0:4] == '主持人：':
17 host = paragraph.text[4:]
18 if paragraph.text[0:5] == '学习形式：':
19 study_type = paragraph.text[5:]
20 if len(paragraph.text) >= 2:
21 if paragraph.text[0].isdigit() and paragraph.text[1] == '、':
22 content_lst.append(paragraph.text)
23 content = ' '.join(content_lst)
24 number += 1
25 sheet.append([number, study_time, content, study_type, host])
26
27workbook.save(path + r'\Meeting_notice.xlsx')
核心也不过三十行代码，总共不过三秒就搞定了！
如果你也想试试，可以尝试用文中的代码实现，练习数据：
https://pan.baidu.com/s/1H3x16tYAqqaEamw4fdzlrw（提取码：86vc）
更多精彩推荐
☞读懂深度迁移学习，看这文就够了 | 赠书
☞『带你学AI』一文带你搞懂OCR识别算法CRNN：解析+源码
☞龙泉寺贤超法师：用 AI 为古籍经书识别、断句、翻译
☞微信十周年，腾讯晒成绩单了！
点分享点收藏点点赞点在看