使用python處理一萬份word表格簡歷操作

Posted on by

前言

有一天朋友A向我抱怨，他的老板要求他把幾百份word填好的word表格簡歷信息整理到excel中，看著他一個個將姓名，年齡……從word表格裡復制粘貼到excel裡，邊粘貼心裡邊暗暗詛咒著自己的boss……但畢竟新手小白，又不能違背老板的意願說我不幹瞭，愛咋咋地，於是過來向我求助。我說，這事情好辦啊，學學python就能解決啊，簡單容易上手。好瞭，接下來進入正題。

思路：首先針對每一份word表格進行分析

怎麼才能利用python獲取到word表格裡面的信息，最初的想法是把word裡面的表格轉成網頁格式，畢竟混跡爬蟲淺水區多年，用正則表達式處理網頁來獲取信息是比較輕松的，於是想到把word轉成網頁格式，這麼一想，整個人都瘋瞭，幾百份文件打開然後轉成網頁，那也有不少勞動量啊。於是在網上搜瞭許久，發現docx文件自己本身是壓縮文件，打開壓縮包之後竟然發現裡面有個專門存儲word裡面文本的文件。

打開文件找，發現我們想要的信息全都藏在這個名為document.xml的文件裡

於是基本過程就可以確定瞭

1. 打開docx的壓縮包

2. 獲取word裡面的正文信息

3. 利用正則表達式匹配出我們想要的信息

4. 將信息存儲到txt中（txt可以用excel打開）

5. 批量調用上述過程，完成一萬份簡歷的提取工作

6. （檢查數據是否有錯誤或缺失）

0x01 獲取docx信息

利用python的zipfile庫以及re庫來處理docx壓縮包裡面的document.xml文件裡的信息。

import zipfile
import re
def get_document(filepath):
  z = zipfile.ZipFile(filepath, "r")
  text = z.read("word/document.xml").decode("UTF-8")
  text = re.sub(r"<.*?>", "", text)#去除xml裡的所有標記符
  ###如果多份簡歷在同一個word文件裡###
  #table_list = text.split("XX簡歷")[1:]#依據簡歷標題切分每一份簡歷信息
  #return table_list
  return text

打印text的結果

自此，輸出瞭簡歷中的所有相關信息

0x02 抓取各字段值

接下來根據這些相關信息抓取各個字段的值

import re
def get_field_value(text):
  value_list = []
  m = re.findall(r"姓 名(.*?)性  別", table)
  value_list.append(m)
  m = re.findall(r"性  別(.*?)學  歷", table)
  value_list.append(m)
  m = re.findall(r"民 族(.*?)健康狀況", table)
  value_list.append(m)  
  '''
  此處省略其他字段匹配
  '''
  return value_list

這樣就將每個字段匹配到的內容以一個列表的形式返回瞭

0x03 將內容寫入到文件

接下來將這個列表裡的內容寫入到txt中

str1 = ""
for value in value_list:
  str1 = str1 + str(value[0]) + "\t"#每個字段值用制表符\t分隔
str1 = str1 + "\n"
with open("result.txt", "a+") as f:#將內容以追加形式寫入到result.txt中
  f.write(str1)

以上是將一個word轉成瞭txt

隻要再對文件夾中的文件進行批量處理就ok瞭

0x04 批量處理完整代碼

以下附上完整代碼

import re
import zipfile
import os
def get_document(filepath):
  z = zipfile.ZipFile(filepath, "r")
  text = z.read("word/document.xml").decode("UTF-8")
  text = re.sub(r"<.*?>", "", text)#去除xml裡的所有標記符
  ###如果多份簡歷在同一個word文件裡###
  table_list = text.split("XX簡歷")[1:]#依據簡歷標題切分每一份簡歷信息
  return table_list
def get_field_value(text):
  value_list = []
  m = re.findall(r"姓 名(.*?)性  別", table)
  value_list.append(m)
  m = re.findall(r"性  別(.*?)學  歷", table)
  value_list.append(m)
  m = re.findall(r"民 族(.*?)健康狀況", table)
  value_list.append(m)  
  '''
  此處省略其他字段匹配
  '''
  return value_list
cv_list = []
for i in os.listdir(os.getcwd()):
  a = os.path.splitext(os.getcwd() + "\\" + i)#獲取當前目錄下所有文件的文件名
  if a[1] == '.docx':#如果文件後綴
    print(os.getcwd()+"\\"+i)
    cv_list = cv_list + get_document(os.getcwd() + "\\" + i)#每份簡歷信息為一個列表元素
for i in cv_list:
  value_list = get_field_value(i)
  str1 = ""
  for value in value_list:
    str1 = str1 + str(value[0]) + "\t"
  str1 = str1 + "\n"
  with open("result.txt", "a+") as f:
    f.write(str1)

一萬份word表格簡歷信息轉成瞭txt，然後用excel打開txt即可。

補充：python word表格一些操作

數據格式（datas）： 列表套列表

aa =[ [1,2,3,4,5],[6,7,8,9],[]…]
import os
import requests
import json
import datetime
from docx import Document
from docx.shared import Inches, Pt, Cm
from docx.oxml.ns import qn
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
def create_insert_word_table(datas, stday, etday, s):
  """創建word表格以及插入數據"""
  doc = Document()
  doc.styles['Normal'].font.name = 'Calibri' # 是用來設置當文字是西文時的字體，
  doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋體') # 是用來設置當文字是中文時的字體
  # doc.styles['Normal'].font.size = Pt(14) # 設置所有文字字體大小為14
  distance = Inches(0.5)
  sec = doc.sections[0] # sections對應文檔中的“節”
  sec.left_margin = distance # 以下依次設置左、右、上、下頁面邊距
  sec.right_margin = distance
  sec.top_margin = distance
  sec.bottom_margin = distance
  sec.page_width = Inches(11.7) # 設置頁面寬度
  # sec.page_height = Inches(9) # 設置頁面高度
  # doc.add_heading() # 設置標題，但是不符合我的條件，隻能試用下方p.add_run('我是文字')
  p = doc.add_paragraph() # 添加段落
  p.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER # 設置中央對齊
  run = p.add_run('我是文字')
  run.font.size = Pt(22)
  doc.add_paragraph() # 添加空段落
  # 添加表格
  table = doc.add_table(rows=1, cols=10, style='Table Grid')
  table.style.name = 'Table Grid'
  table.style.font.size = Pt(14)
  table.rows[0].height = Cm(20)
  title = table.rows[0].cells
  title[0].text = '姓名'
  title[1].text = '1'
  title[2].text = '2'
  title[3].text = '3'
  title[4].text = '4'
  title[5].text = '5'
  title[6].text = '6 '
  title[7].text = '7'
  title[8].text = '8'
  title[9].text = '9'
  for i in range(len(datas)):
    cels = table.add_row().cells
    for j in range(len(datas[i])):
      # cels[j].text = str(datas[i][j])
      p = cels[j].paragraphs[0]
      p.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER # 設置中央對齊
      p.add_run(str(datas[i][j]))
      ph_format = p.paragraph_format
      # ph_format.space_before = Pt(10) # 設置段前間距
      # ph_format.space_after = Pt(12) # 設置段後間距
      ph_format.line_spacing = Pt(40) # 設置行間距
  doc.save('./files/項目總結.docx')

生成示例

可能出現的錯誤，[Errno 13] Permission denied: ‘./files/項目進展總結.docx’

是因為你打開文件未關閉，操作不瞭，關閉他就好瞭

以上為個人經驗，希望能給大傢一個參考，也希望大傢多多支持WalkonNet。如有錯誤或未考慮完全的地方，望不吝賜教。

推薦閱讀：