使用python處理一萬份word表格簡歷操作
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:
- Python辦公自動化解決world文件批量轉換
- 詳解python-docx處理Word必備工具
- Python操作word文檔的示例詳解
- Python設置Word全局樣式和文本樣式的示例代碼
- Python docx庫刪除復制paragraph及行高設置圖片插入示例