有问题，不要怕！访问
http://www.wuhanstring.com/uploads/5_aboutus/爬虫俱乐部-用户问题登记表.docx （复制到浏览器中）下载爬虫俱乐部用户问题登记表并按要求填写后发送至邮箱statatraining@163.com,我们会及时为您解答哟~
爬虫俱乐部的github主站正式上线了！我们的网站地址是：https://stata-club.github.io，粉丝们可以通过该网站访问过去的推文哟~
爬虫俱乐部隆重推出数据定制及处理业务，您有任何网页数据获取及处理方面的难题，请发邮件至我们邮箱statatraining@163.com，届时会有俱乐部高级会员为您排忧解难！
在日常学习与工作中，我们经常需要从一系列格式相同的Word文档中提取出关键信息，并统计到Excel文件中。例如，对于大量的项目申请表，我们需将其中的申请人姓名、年龄、联系方式等信息提取出来，整合到一个表格中。手动整理效率极低，那么是否可以使用程序实现信息的自动统计呢？
为进行演示，我们在国家统计局网站（http://www.stats.gov.cn/tjsj/tjgb/ndtjgb/）获取了如下的2008-2017年我国金融机构本外币存贷款余额及增长速度数据，将其放于目录“F:/用python处理文本文件/存贷款数据”下，如图：
任意打开一个文件，其界面如下：
我们需将标题中的年份及表格里的城乡居民储蓄存款、企业贷款、短期贷款、中长期贷款四项信息提取出来，并填入Excel中。在前期推文《用Python批量转换.doc文件》，我们提到，Python的pywin32库可调用office API，几乎能实现Word、Excel等软件的所有操作。因此在本推文中，我们也采用win32com模块，将Word文本中的信息写入Excel中。此外，我们还调用了如下几个重要模块（库）：
①python-docx库：可用于读入word文档，并将文档中的段落、文本、字体等当作对象，对对象进行处理就是对word文档内容进行处理。该库主要包括Document对象，表示一个word文档；Paragraph对象，表示word文档中的一个段落；Paragraph对象的text属性，表示段落中的文本内容。在使用python-docx库前需先进行安装，即在cmd命令行中输入“pip install python-docx”。
②re模块：正则表达式（re模块）为Python自带模块，它先将正则表达式编译成一系列的字节码，由C编写的引擎执行，可直接用于搜索、替换和解析字符串。一个正则表达式由字母、数字和特殊字符（括号、星号、问号等）组成，可有效实现对复杂字符串的分析并提取出相关信息。
在此基础上，我们首先介绍单个Word文档信息的提取方法。以文件“2008年全部金融机构本外币存贷款余额及其增长速度.docx”为例，第一步导入所需模块，即输入程序：
import os
import re
import docx
from docx import Document
from win32com.client import Dispatch
其次，读入该docx文件，将其关键信息提取出来，并打印在界面上，即输入程序：
file = r'f:用python处理文本文件存贷款数据�8年全部金融机构本外币存贷款余额及其增长速度.docx'
f = docx.Document(file)
p = f.paragraphs[0].text
year = re.search(r'd{4}',p).group(0)
t = f.tables[0]
UR_deposit = t.cell(2,1).text
Co_deposit = t.cell(4,1).text
ST_loan = t.cell(6,1).text
LT_loan = t.cell(7,1).text
print(year,UR_deposit,Co_deposit,ST_loan,LT_loan)
此时，界面上便显示出该年的各项存贷款数据信息，如下：
进一步地，我们调用win32com模块打开Excel程序，新建工表“Sheet1”，将以上5项信息写入Excel表格中后保存。完整程序如下：
import os
import re
import docx
from docx import Document
from win32com.client import Dispatch
###提取出docx文本中的信息
file = r'f:用python处理文本文件存贷款数据�8年全部金融机构本外币存贷款余额及其增长速度.docx'
f = docx.Document(file)
p = f.paragraphs[0].text
year = re.search(r'd{4}',p).group(0)
t = f.tables[0]
UR_deposit = t.cell(2,1).text
Co_deposit = t.cell(4,1).text
ST_loan = t.cell(6,1).text
LT_loan = t.cell(7,1).text
print(year,UR_deposit,Co_deposit,ST_loan,LT_loan)
###将docx文件中的信息写入Excel表格
excel = Dispatch('Excel.Application') #打开Excel程序
excel.Visible = True #显示自动化操作界面
sheet1 = excel.Workbooks.Add() #新建工作表
list1 = ['year','UR_deposit','Co_deposit','ST_loan','LT_loan']
for j in range(1,6):
excel.Cells(1,j).Value = list1[j-1] #填入对应标题
list2 = [year,UR_deposit,Co_deposit,ST_loan,LT_loan]
for num in range(1,6):
excel.Cells(2,num).Value = list2[num-1] #填入各单元格信息
sheet1.SaveAs(r'f:用python处理文本文件存贷款数据�8年全部金融机构本外币存贷款余额及其增长速度.xlsx')
excel.Quit()
在上述程序中，为简化步骤，我们将代表标题的字符串及定义各项信息的宏名称分别放入列表list1和list2中，并在循环中进行调用。文档处理结果如下：
爬虫俱乐部是您身边的科研助手，能够为您在数据处理、实证研究中提供帮助。承蒙近四万粉丝的支持与厚爱，我们在腾讯课堂推出了网络视频课程，专注于数据整理、网络爬虫、循环命令编制和结果输出…李老师及团队精彩地讲解，深入浅出，注重案例与实战，让您更加快速高效地掌握Stata技巧及数据处理的精髓，而且可以无限次重复观看，在原有课程基础上已上传了全新的内容！百分百好评，简单易学，一个月让您从入门到精通。绝对物超所值！观看学习网址：
https://ke.qq.com/course/286526?tuin=1b60b462，
敬请关注！
现在，我们尝试将该目录下所有Word文档中的信息统计到同一个Excel表格中。首先定义一个函数word_text(path,num)，参数path表示需处理的文件，num表示该文件信息在Excel表格中的行数。我们遍历该路径下的所有docx文件，将文件信息依次写入Excel的对应行。完整程序和最终成果如下：
import os
import re
import docx
from docx import Document
from win32com.client import Dispatch
###定义函数式
def word_text(path,num):
f = docx.Document(path)
p = f.paragraphs[0].text
year = re.search(r'd{4}',p).group(0)
t = f.tables[0]
UR_deposit = t.cell(2,1).text
Co_deposit = t.cell(4,1).text
ST_loan = t.cell(6,1).text
LT_loan = t.cell(7,1).text
print(year,UR_deposit,Co_deposit,ST_loan,LT_loan)
excel.Cells(num,1).Value = year
excel.Cells(num,2).Value = UR_deposit
excel.Cells(num,3).Value = Co_deposit
excel.Cells(num,4).Value = ST_loan
excel.Cells(num,5).Value = LT_loan
###打开Excel程序，将文件信息依次写入
excel = Dispatch('Excel.Application')
excel.Visible = True
sheet1 = excel.Workbooks.Add()
list = ['year','UR_deposit','Co_deposit','ST_loan','LT_loan']
for i in range(1,6):
excel.Cells(1,i).Value = list[i-1] #填入对应标题
excel.Cells(1,i).Interior.ColorIndex = 6 #将标题设置为黄色背景
dir_path = r'f:用python处理文本文件存贷款数据'
j = 2 #定义初始写入行数为2
for file in os.listdir(dir_path):
if os.path.splitext(file)[1] == ".docx": #判断是否为docx文件
word_text(file,j)
j = j+1
sheet1.SaveAs(dir_path+"\"+'2008-2017年全部金融机构本外币存贷款及其增长速度.xlsx')
excel.Quit()
利用上述程序，我们便迅速统计了该目录下的所有Word文档中的数据信息。对于其他类型的文本，我们也可套用这一思路，并灵活运用Python的正则表达式（re模块）进行字符串的匹配与提取，真正提升文本数据处理的速度与效率。
网友评论