盘点一个Python自动化办公的实战案例（word文件处理）

Python进阶者

发布于 2022-11-14 15:42:13

5910

发布于 2022-11-14 15:42:13

文章被收录于专栏：Python爬虫与数据挖掘Python爬虫与数据挖掘

溪花与禅意，相对亦忘言。

大家好，我是Python进阶者。

一、前言

前几天在Python铂金交流群【Jethro Shen】问了一个Python自动化办公的问题，提问截图如下：

代码运行后的结果：

他预期的效果是选项和答案部分也需要显示出来，目前看上去还是没有显示出来。

他的原始代码如下：

import re

black_char = re.compile("[\s\u3000\xa0]+")

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

# 从word文档的“一、单项选择题”开始遍历数据
for paragraph in doc.paragraphs[1:100]:
    #  去除空白字符,将全角字符转半角字符，并给括号之间调整为中间二个空格
    line = black_char.sub("", paragraph.text).replace(
        "（", "(").replace("）", ")").replace("．", ".").replace("()", "(  )").replace("【", "").replace("】", "")
    # 对于空白行就直接跳过
    if not line:
        continue
    if title_rule.search(line):
        print("题目", line)
    elif option_rule.search(line):
        print("选项", option_rule_search.findall(line))
    elif answer_rule.search(line):
        print("答案",answer_rule.findall(line))
    else:
        chinese_nums_match = chinese_nums_rule.search(line)
        if chinese_nums_match:
            print("题目", chinese_nums_match.group(1))

二、实现过程

这里【瑜亮老师】指出是正则表达式的问题，没匹配到，自然就出不来结果。后来【不上班能干啥！】给了一份代码，如下所示：

import re

black_char = re.compile("[\s\u3000\xa0]+")

chinese_nums_rule = re.compile("[一二三四]、(.+?)\(")
title_rule = re.compile("\d+.")
option_rule = re.compile("([A-F]\..+?)\s")
# option_rule_search = re.compile("\([A-F]\)[^(]+")
answer_rule = re.compile("【答案】([A-F])")

# 从word文档的“一、单项选择题”开始遍历数据
for paragraph in doc.paragraphs[1:100]:
    #  去除空白字符,将全角字符转半角字符，并给括号之间调整为中间二个空格
    line = black_char.sub(" ", paragraph.text).replace(
        "（", "(").replace("）", ")").replace("．", ".").replace("()", "(  )") + " "
    # 对于空白行就直接跳过
    if not line:
        continue
    if title_rule.match(line):
        print("题目", line)
    elif option_rule.match(line):
        print("选项", option_rule.findall(line))
        if '【答案】' in line and answer_rule.search(line):
            print("答案",answer_rule.findall(line))
    elif answer_rule.match(line):
        print("答案",answer_rule.findall(line))
    else:
        chinese_nums_match = chinese_nums_rule.match(line)
        if chinese_nums_match:
            print("题目", chinese_nums_match.group(1))

运行之后，可以得到预期发效果：

归根结底，还是正则表达式的问题。

后来【甯同学】使用 openpyxl库，也给了一份代码，如下所示：

from docx import Document
import openpyxl
wb = openpyxl.Workbook()
ws = wb.active
ws.append(['题目','选项1','选项2','选项3','选项4','答案'])
doc = Document("题库.docx")
all_runs = doc.paragraphs 
rows = []
for run in all_runs[1:]:
    print([run.text])
    if '【答案】' in run.text:
        text_list= run.text.replace('\n    ','\t\t').replace('【答案】','').split('\t\t')
        rows += text_list 
        ws.append(rows)
        rows = []
        continue
    text_list= run.text.replace('\n    ','\t\t').split('\t\t')
    rows += text_list 
wb.save('1.xlsx')

可以得到预期的效果，如下图所示：

效果还是不错的！

后来【不上班能干啥！】还结合Pandas给了一份代码，如下所示：

import re
import pandas as pd
from docx import Document

doc = Document("题库.docx")
text = re.sub(r'<.*?>', '', doc.part.blob.decode('utf-8'), flags=re.S)

a = pd.DataFrame(re.findall(r'(\d+\..*?)(A\..*?)(B\..*?)(C\..*?)(D\..*?)【答案】([A-Z])', text), 
                 columns=['题目', '选项一', '选项二', '选项三', '选项四', '答案'])
a.replace([r'^\s+', '\s+$'], '', regex=True, inplace=True)
a.to_excel('题库.xlsx', index=False)

这个Pandas功力已经到炉火纯青的地步了！