python实现word文档批量转成自定义格式的excel文档的思路及实例代码

目录

• 一、先说一下实现这个需求的处理逻辑
• 二、再说一下具体怎么使用：

支持按照文件夹去批量处理，也可以单独一个文件进行处理，并且可以自定义标识符

最近在开发一个答题类的小程序，到了录入试题进行测试的时候了，发现一个问题，试题都是word文档格式的，每份有100题左右，拿到的第一份试题，光是段落数目就有800个。而且可能有几十份这样的试题。

而word文档是没有固定格式的，想批量录入关系型数据库mysql，必须先转成excel文档。这个如果是手动一个个粘贴到excel表格，那就头大了。

我最终需要的excel文档结构是这样的：每道题独立占1行，每1列是这道题的一项内容，大概就是问题、选项A、选项B等等。

但word文档是这种结构，如果按照网上通用的方式去转，基本上你得到的结果就是一大坨文字都在一格里，根本不符合需求。

最后我想到了一个解决思路，可以实现这个需求，先看看我转出来的结果：

这个格式虽然跟最终的有点差别，但是只要在excel文档或者在代码里稍微再修改一下，就能完全符合要求了。

废话少说，先贴出代码，看得懂的可以直接拿去用，看不懂的，可以看我后面的具体说明。

已经把它封装成通用脚本了，你可以直接调用。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331

import pandas as pd import os # 初始处理函数1,先对初始处理结果进行判断 def initail_handle_by_range(file_path, max_page_num, split_str):  df = pd.read_table(file_path)  # 2、先转成Series  S = pd.Series(df['column1'].values)  # 3、转成列表，列表的每个元素就是每个段落  list = S.tolist()  # 传入一个max_page_num  # 4、遍历列表，取出每个段落，按“.”切割，取出第一个元素进行判断，如果它是题号，就应该得到"1"或者"10"  index_list = []  for content in list:  try:   # 不是每个段落都有“.”可以切割的，会报错，报错就跳过   first_str = content.split('%s'%split_str)[0]   # 5、根据最大的题号，自动生成匹配的字符串，用来匹配题号（每个匹配字符串都放在patch_list中）   patch_list = ['%d' % i for i in range(1, max_page_num + 1)]   # 6、比对切割得到的第一个元素，如果它在匹配的字符串中，就获取它在列表中的索引，并把获取到的结果添加到列表index_list中，这就知道了每道题的开头在l中的哪个位置了   if first_str in patch_list:   index = list.index(content)   index_list.append(index)  except:   pass  # 7、根据索引列表，我们可以知道每道题的第一段和最后一段在l中的哪个位置  # index_list = [0, 8, 16]  # print(index_list)  # 先计算每道题长度是否一致,不一致的,设置is_same_length = False  is_same_length = True  length = index_list[1] - index_list[0]  max_index = len(list)  for i in index_list:  # 如果i不是最后一个，那么start就是i，end就是i的下一个  if i < index_list[-1]:   start = i   end = index_list[index_list.index(i) + 1]  else:   start = i   end = max_index  # 判断长度是否一致,不一致就对长度进行比较,把大的赋值给长度  if (end - start) != length:   is_same_length = False   if (end - start) > length:   length = (end - start)  result = [is_same_length, index_list, list, length]  return result # 初始处理函数1,先对初始处理结果进行判断 def initail_handle_by_patchstr(file_path, patch_str, split_str):  df = pd.read_table(file_path)  # 2、先转成Series  S = pd.Series(df['column1'].values)  # 3、转成列表，列表的每个元素就是每个段落  list = S.tolist()  # 传入一个max_page_num  # 4、遍历列表，取出每个段落，按“.”切割，取出第一个元素进行判断，如果它是题号，就应该得到"1"或者"10"  index_list = []  for content in list:  try:   # 不是每个段落都有“.”可以切割的，会报错，报错就跳过   first_str = content.split('%s'%split_str)[0]   # 6、比对切割得到的第一个元素，如果它在匹配的字符串中，就获取它在列表中的索引，并把获取到的结果添加到列表index_list中，这就知道了每道题的开头在l中的哪个位置了   if first_str == patch_str:   index = list.index(content)   index_list.append(index)  except:   pass  # 7、根据索引列表，我们可以知道每道题的第一段和最后一段在l中的哪个位置  # index_list = [0, 8, 16]  # print(index_list)  # 先计算每道题长度是否一致,不一致的,设置is_same_length = False  is_same_length = True  length = index_list[1] - index_list[0]  max_index = len(list)  for i in index_list:  # 如果i不是最后一个，那么start就是i，end就是i的下一个  if i < index_list[-1]:   start = i   end = index_list[index_list.index(i) + 1]  else:   start = i   end = max_index  # 判断长度是否一致,不一致就对长度进行比较,把大的赋值给长度  if (end - start) != length:   is_same_length = False   if (end - start) > length:   length = (end - start)  result = [is_same_length, index_list, list, length]  return result # 传入一个文件路径和一个匹配的字符串,至少2个符号,例如"#." def file_handle_by_patchstr(file_path, patch_str, split_str):  result = initail_handle_by_patchstr(file_path, patch_str, split_str)  # 接收初始处理函数的结果  is_same_length = result[0]  index_list = result[1]  list = result[2]  length = result[3]  # 先根据每道题的长度构造一个空的dict，最后用来生成dataFrame  dict = {}  for i in range(1, (length + 1)):  dict['colomn%d' % i] = []  # print(dict)  max_index = len(list)  for i in index_list:  # 如果i不是最后一个，那么start就是i，end就是i的下一个  if i < index_list[-1]:   start = i   end = index_list[index_list.index(i) + 1]  else:   start = i   end = max_index  # 遍历一轮获得的结果就是我们要写入excel的一行  colomn = 1  for index in range(start, end):   # 遍历一次获得的结果就是我们要写入excel的一格   content = list[index]   # 每遍历一次就在一个dict中取出某一列，给它加上这个数据   dict['colomn%d' % colomn].append(content)   colomn += 1   # 在遍历到最后一轮的时候   if index == (end - 1):   # 判断是否需要插入空值   if not is_same_length and ((end - start) < length):    # 可能缺了2列,也可能缺了1列    content = ''    # 如果只是缺了一列,在现有的index上,加1,就是下一列,补上空值    if (length - (end - start)) == 1:    colomn = (end - start) + 1    dict['colomn%d' % (colomn)].append(content)    else:    # 如果缺失了2列以上,就遍历,给之后的每一列都补上空值    for i in range(length - (end - start)):     colomn = length - i     dict['colomn%d' % (colomn)].append(content)  final_df = pd.DataFrame(dict)  new_file_path = file_path.split('.')[0] + '.xlsx'  final_df.to_excel(r'%s' % new_file_path) def file_handle_by_range(file_path, max_page_num, split_str):  result = initail_handle_by_range(file_path, max_page_num, split_str)  # 接收初始处理函数的结果  is_same_length = result[0]  index_list = result[1]  list = result[2]  length = result[3]  # 先根据每道题的长度构造一个空的dict，最后用来生成dataFrame  dict = {}  for i in range(1,(length+1)):  dict['colomn%d'%i] = []  max_index = len(list)  for i in index_list:  # 如果i不是最后一个，那么start就是i，end就是i的下一个  if i < index_list[-1]:   start = i   end = index_list[index_list.index(i) + 1]  else:   start = i   end = max_index  # 遍历一轮获得的结果就是我们要写入excel的一行  colomn = 1  for index in range(start, end):   # 遍历一次获得的结果就是我们要写入excel的一格   content = list[index]   # 每遍历一次就在一个dict中取出某一列，给它加上这个数据   dict['colomn%d' % colomn].append(content)   colomn += 1   # 在遍历到最后一轮的时候   if index == (end - 1):   # 判断是否需要插入空值   if not is_same_length and ((end-start)<length):    # 可能缺了2列,也可能缺了1列    content = ''    # 如果只是缺了一列,在现有的index上,加1,就是下一列,补上空值    if (length-(end-start)) == 1:    colomn = (end-start) +1    dict['colomn%d'% (colomn)].append(content)    else:    # 如果缺失了2列以上,就遍历,给之后的每一列都补上空值    # 8-6 = 2, i = 0, 1    for i in range(length-(end-start)):     colomn = length - i     dict['colomn%d' % (colomn)].append(content)  final_df = pd.DataFrame(dict)  new_file_path = file_path.split('.')[0] + '.xlsx'  final_df.to_excel(r'%s'%new_file_path) # 传入一个文件夹路径，最大的迭代数字，切割字符串 def dir_handle_by_range(dir_path, max_page_num, split_str):  files = os.listdir(dir_path) # 获取当前目录的所有文件及文件夹  for file in files:  file_path = os.path.join(dir_path, file) # 遍历获取每个文件的绝对路径  result = initail_handle_by_range(file_path, max_page_num, split_str)  # 接收初始处理函数的结果  is_same_length = result[0]  index_list = result[1]  list = result[2]  length = result[3]  # 先根据每道题的长度构造一个空的dict，最后用来生成dataFrame  dict = {}  for i in range(1, (length + 1)):   dict['colomn%d' % i] = []  max_index = len(list)  for i in index_list:   # 如果i不是最后一个，那么start就是i，end就是i的下一个   if i < index_list[-1]:   start = i   end = index_list[index_list.index(i) + 1]   else:   start = i   end = max_index   # 遍历一轮获得的结果就是我们要写入excel的一行   colomn = 1   for index in range(start, end):   # 遍历一次获得的结果就是我们要写入excel的一格   content = list[index]   # 每遍历一次就在一个dict中取出某一列，给它加上这个数据   dict['colomn%d' % colomn].append(content)   colomn += 1   # 在遍历到最后一轮的时候   if index == (end - 1):    # 判断是否需要插入空值    if not is_same_length and ((end - start) < length):    # 可能缺了2列,也可能缺了1列    content = ''    # 如果只是缺了一列,在现有的index上,加1,就是下一列,补上空值    if (length - (end - start)) == 1:     colomn = (end - start) + 1     dict['colomn%d' % (colomn)].append(content)    else:     # 如果缺失了2列以上,就遍历,给之后的每一列都补上空值     for i in range(length - (end - start)):     colomn = length - i     dict['colomn%d' % (colomn)].append(content)  final_df = pd.DataFrame(dict)  new_file_path = file_path.split('.')[0] + '.xlsx'  final_df.to_excel(r'%s' % new_file_path) # 传入一个文件夹路径和一个匹配的字符串,至少2个符号,例如"#." def dir_handle_by_patchstr(dir_path, patch_str, split_str):  files = os.listdir(dir_path) # 获取目录的所有文件及文件夹  for file in files:  file_path = os.path.join(dir_path, file) # 遍历获取每个文件的绝对路径  print(file_path)  result = initail_handle_by_patchstr(file_path, patch_str, split_str)  # 接收初始处理函数的结果  is_same_length = result[0]  index_list = result[1]  list = result[2]  length = result[3]  # 先根据每道题的长度构造一个空的dict，最后用来生成dataFrame  dict = {}  for i in range(1, (length + 1)):   dict['colomn%d' % i] = []  # print(dict)  max_index = len(list)  for i in index_list:   # 如果i不是最后一个，那么start就是i，end就是i的下一个   if i < index_list[-1]:   start = i   end = index_list[index_list.index(i) + 1]   else:   start = i   end = max_index   # 遍历一轮获得的结果就是我们要写入excel的一行   colomn = 1   for index in range(start, end):   # 遍历一次获得的结果就是我们要写入excel的一格   content = list[index]   # 每遍历一次就在一个dict中取出某一列，给它加上这个数据   dict['colomn%d' % colomn].append(content)   colomn += 1   # 在遍历到最后一轮的时候   if index == (end - 1):    # 判断是否需要插入空值    if not is_same_length and ((end - start) < length):    # 可能缺了2列,也可能缺了1列    content = ''    # 如果只是缺了一列,在现有的index上,加1,就是下一列,补上空值    if (length - (end - start)) == 1:     colomn = (end - start) + 1     dict['colomn%d' % (colomn)].append(content)    else:     # 如果缺失了2列以上,就遍历,给之后的每一列都补上空值     for i in range(length - (end - start)):     colomn = length - i     dict['colomn%d' % (colomn)].append(content)  final_df = pd.DataFrame(dict)  print(final_df)  print(file_path)  new_file_path = file_path.split('.')[0] + '.xlsx'  print(new_file_path)  final_df.to_excel(r'%s' % new_file_path) if __name__ == '__main__':  # 文件路径  # file_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\2018-04 技能操作真题.txt'  # 文件夹路径  dir_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\mytest'  # 根据数字处理具体文件,参数传文件路径,可迭代的最大数可自定义,分隔符也自定义  # file_handle_by_range(file_path, 100, '.')  # 根据自定义匹配符处理具体文件,参数传文件路径,匹配符可以自定义,切割符也可以自定义  # file_handle_by_patchstr(file_path, '#', '.')  # 根据数字处理具体整个文件夹,参数传文件路径,可迭代的最大数可自定义,分隔符也自定义  # dir_handle_by_range(dir_path, 100, '.')  # 根据自定义匹配符处理具体文件夹,参数传文件路径,匹配符可以自定义,切割符也可以自定义  # dir_handle_by_patchstr(dir_path, '#', '.')

一、先说一下实现这个需求的处理逻辑

解决这个需求的关键点是什么： 1、python怎么读取这个文件的内容？ python有相关的word操作库可以读取，但是读取到的结果不方便操作。我们最终是要让它生成excel文件的，所以可以用python非常强大的科学计算包pandas来读取操作数据更好。

但pandas不能直接读取word文件，所以，需要先把它转成txt文档，这一步很简单，打开word，全部复制到一份新的txt文件中就行了。（注意要在第一行给它加上列名，我直接加了个colomn1，代表是第一列）简单处理后的txt文档的结构类似这样：

2、读取到的数据如何处理？

使用pandas读取到的数据是一个dataFrame，dataFrame的结构就类似于我们在excel文档里面那样行列分明的。但是，它从txt读取出来的格式是全部内容都视为1列的，而txt中的每一段，在它这里就是每一行（注意是每一段对应一行，而不是每一行对应每一行）预览一下：结果显示800行，1列。也就是在txt文档中有800个段落。

3、接下来怎么处理呢？

pandas强大的地方就在这里了，它可以直接把这1列的内容全部转成Series，Series是什么你可以不用管，你只需要知道Series可以直接转成列表list就行了。有了list我们就方便操作了。

以上几步就实现了从word里面读取数据，并转化成python的数据类型list了。list里面的每个元素，就等同于我们word里面的每一个段落。控制台打印出来的就是这样：下面的800是计算出这个列表的长度，代表有800个元素。

接下来我们的需求就变成了：怎么把一个列表，转成有明确行列结构的excel表格了。

这个要分为2种情况来说： 1、你的word文档结构相对合理些，每道题都固定是X个段落（例如每道题都是8个段落），这个解决就很简单了。因为这种情况对应就是在list中，每8个元素构成了1道题，你只要按照规律，8个8个取出，最后批量写入excel就行了。（这种解决起来比较简单，就不详细说了）

2、另一种情况比较麻烦，就是word文档的结构不规范，有的题目可能是8个段落，有的可能是7段，有的是6段。那么要怎么解决呢？

解决这个问题有几个关键点： 1、excel表格是行列结构的，它每一行的数据来源于这个txt文档的第几行？（也就是list里面的第几个元素）所以我们只要把每道题在list中的索引找出来就行了。

观察一下源数据，它每道题的开头都是数字加1个英文符号“.”，例如：“1.”和“2.”，最大的是"100."，并且其他段落的开头都不会出现这个结构。那么就简单了，我先构造出一个patch_list=['1', '2', '3'…'100']，用来做匹配。

然后再遍历源数据列表，对列表的每个元素按“.”号切割，切割后拿到它的第一个元素，拿这个元素跟pacth_lis进行匹配，如果它是在patch_list中的，就代表它是每道题的开头。此时就记录下它的索引，并且把这个索引值存放到一个新列表index_list中。下面是我获取到的index_list：

0代表了第一道题是在列表的第1个元素开始的，8代表第二道题在列表的第9个元素开始。

于是我们就知道每道题的开头是在列表中的哪个位置了。

2、拿到了每道题的索引，然后怎么做呢？最终我们是要转存到excel文档中的， pandas怎么转excel？很简单的，只要你构造出一个dataFrame出来，调用pandas的to_excel方法，就能存入excel文档了。

3、问题的关键就变成了，有了每道题的索引，怎么把它转成dataFrame结构。下面演示一下，假如你想要构造一个dataFrame，需要什么样的数据结构，构造出来的dataFrame在控制台的输出结果是怎么样的，最后生成的excel表格是怎么样的。

?

1 2 3 4 5 6

dict = {'colomn1': ['问题1', '问题2', '问题3'],  'colomn2': ["A：问题1的A选项", "A：问题2的A选项", "A：问题3的A选项"],  'colomn3': ['B：问题1的B选项', 'B：问题2的B选项', 'B：问题3的B选项']} df = pd.DataFrame(dict) print(df) df.to_excel(r'C:\Users\Administrator\PycharmProjects\exchange_file\test.xlsx')

这个就是调用pandas的DataFrame方法，用字典dict生成的一个dataFrame数据。这个dataFrame在控制台打印出来就是：

这个结构存入excel就是对应表格的行和列了。这个结构就符合我的实际需求了。

所以我们要构造出这个dataframe的关键就是：把所有数据梳理一遍，构造成类似这样的一个字典：

?

1 2 3

dict = {'colomn1': ['问题1', '问题2', '问题3'],  'colomn2': ["A：问题1的A选项", "A：问题2的A选项", "A：问题3的A选项"],  'colomn3': ['B：问题1的B选项', 'B：问题2的B选项', 'B：问题3的B选项']}

那么怎么构建这个dict呢？

我们源数据转出来的list结构是类似这样的： list = ['问题1',“A：问题1的A选项”, 'B：问题1的B选项'…'问题2',“A：问题2的A选项”, 'B：问题2的B选项']

而我们前面得到的index_list=[0, 8, 16。。。。] 它记录了“问题1”，“问题2”等等直到“问题100”是在哪个位置开始的，所以我们只需要把index_list遍历一下，轮流取出它的每个元素，它就是每道题的开始位置，然后拿到紧跟在这个元素的下一个是什么，用这个减去1就知道了每道题的开始位置start和结尾位置end是多少了。

接着使用

?

1 2	for i in range(start, end):     content = list[i]

就可以轮番从list中取出每道题的各项内容，取到的第一个就加到dict的colomn1列表中，第二个就加到dict的colomn2中，按照这个规律，就能把list的内容分开插入到dict中的各个列表中了。

但在这个过程中，可能你每道题的段落数目不一致，也就是你按照这个规律从list中取出的元素，可能每次取出的数量都不一样。这点需要注意，如果没有对它进行处理，最后会导致转出来的文件内容错位了，例如你的文档里面，第一题有8个段落，第二题只有7个，第三题有8个段落，没处理这个问题的话，最后第三题的第8个段落，就会跑到第7题那边了。并且最终dataFrame会无法生成excel文件。

那么这个问题怎么解决呢？

在正式调用处理函数生成excel文件之前，可以先对文件预处理，拿到它们的数据进行判断，如果判断到它每个间隔不一样，有的缺少段落，那么就让数据预处理函数返回一个值为False，间隔一样就返回True。接着在真正的数据提取环节，根据这个进行判断，如果判断到它值是Fales，那么就在每一轮遍历提取数据的最后一次遍历，一次性在它后面的缺失数据的列加上空字符串，作为占位用，这样最后得到的列表长度就都一样了，并且在最后生成的excel表中，它是一个空格。

最后用dict生成dataFrame，再写入excel文档，我们就大功告成了。

二、再说一下具体怎么使用：

一、运行必须的工具 1、python解释器（pycharm或其他）； 2、python自带模块：os； 3、自行安装模块：pandas，openpyxl；

自行安装的模块，在控制台pip install pandas和pip install openpyxl就行了。

二、怎么调用：

1、先要做数据预处理：先要把word文档的内容复制到txt文档中，并且在第一行加上"column1"，处理后像下面这样：

接着要看你的文档内容是否有题号，如果有的话：比如像我这个，有具体的题号1-100题，并且它的写法都是“1.”，在题号后面跟了个英文字符'.'，顺序递增到100。

那么你就可以调用file_handle_by_range。

你给它传第一个参数是个具体的文件路径，它就会去打开这个文件，读取里面的内容。

传的第二个参数是100，它就会自动生成1到100的字符串，用来匹配识别你的每道题的开头在哪个位置。（如果你最大的题号是200，就写200，可以写多，但不能写少，少了识别到的内容会缺失）

传的第三个参数是'.'，它就会按照'.'去切割每一行的内容，拿到第一个“.”号前面的内容，用来跟它生成的匹配字符做比对，比对成功了，它就默认该行是你想要写到excel表格里的第一列，接在它后面的每个段落，会自动插入到它后面的列。

直到匹配到下一个“数字.”开头的，又重复这个过程。

如果你的文档里面并不是像我这样，没有顺序递增的题号，你可以手动给每个你想要放在表格中第一列的段落，在它前面加标识符，例如“####.”，注意最后是有个小点的。像下面这样：

接着调用

?

1 2	for i in range(start, end):     content = list[i]

那么它就默认按照'.'去切割每行内容，并且按照####来匹配识别切到的内容，如果切到在'.'前面的是“####”，那么它就默认这一段是你想存到excel表第一列的段落，在它后面的几段，都会按照每个段落存入一格去处理。直到下一个“####.”出现。

2、可调用的有4个函数： 2.1、假如你只想处理一个具体的文档，并且它有具体的题号，最大题号是100，并且它后面跟的是一个'.'，那么就按照下面这个调用

?

1 2	file_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\2018-04 技能操作真题.txt'  file_handle_by_range(file_path, 100, '.')

2.2、根据自定义匹配符处理具体文件,参数传文件路径,匹配符可以自定义,切割符也可以自定义

?

1 2	file_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\2018-04 技能操作真题.txt' file_handle_by_patchstr(file_path, '#', '.')

2.3、根据数字处理具体整个文件夹,参数传文件路径,可迭代的最大数可自定义,分隔符也自定义。（注意文件夹路径，最后是不跟文件名的，它是个文件夹，不是具体文件路径）

?

1 2 3

# 文件夹路径 dir_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\mytest' dir_handle_by_range(dir_path, 100, '.')

2.4、根据自定义匹配符处理具体文件夹,参数传文件路径,匹配符可以自定义,切割符也可以自定义

?

1 2 3

# 文件夹路径 dir_path = r'C:\Users\Administrator\PycharmProjects\exchange_file\mytest' dir_handle_by_patchstr(dir_path, '#', '.')

总结

以上所述是小编给大家介绍的python实现word文档批量转成自定义格式的excel文档的思路及实例代码，希望对大家有所帮助，也非常感谢大家对脚本之家网站的支持！