使用python处理一万份word表格简历操作
前言
有一天朋友A向我抱怨,他的老板要求他把几百份word填好的word表格简历信息整理到excel中,看着他一个个将姓名,年龄……从word表格里复制粘贴到excel里,边粘贴心里边暗暗诅咒着自己的boss……但毕竟新手小白,又不能违背老板的意愿说我不干了,爱咋咋地,于是过来向我求助。我说,这事情好办啊,学学python就能解决啊,简单容易上手。好了,接下来进入正题。
思路:首先针对每一份word表格进行分析
怎么才能利用python获取到word表格里面的信息,最初的想法是把word里面的表格转成网页格式,毕竟混迹爬虫浅水区多年,用正则表达式处理网页来获取信息是比较轻松的,于是想到把word转成网页格式,这么一想,整个人都疯了,几百份文件打开然后转成网页,那也有不少劳动量啊。于是在网上搜了许久,发现docx文件自己本身是压缩文件,打开压缩包之后竟然发现里面有个专门存储word里面文本的文件。
打开文件找,发现我们想要的信息全都藏在这个名为document.xml的文件里
于是基本过程就可以确定了
1. 打开docx的压缩包
2. 获取word里面的正文信息
3. 利用正则表达式匹配出我们想要的信息
4. 将信息存储到txt中(txt可以用excel打开)
5. 批量调用上述过程,完成一万份简历的提取工作
6. (检查数据是否有错误或缺失)
0x01 获取docx信息
利用python的zipfile库以及re库来处理docx压缩包里面的document.xml文件里的信息。
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里的所有标记符 ###如果多份简历在同一个word文件里### #table_list = text.split("XX简历")[1:]#依据简历标题切分每一份简历信息 #return table_list return text
打印text的结果
自此,输出了简历中的所有相关信息
0x02 抓取各字段值
接下来根据这些相关信息抓取各个字段的值
import re def get_field_value(text): value_list = [] m = re.findall(r"姓 名(.*?)性 别", table) value_list.append(m) m = re.findall(r"性 别(.*?)学 历", table) value_list.append(m) m = re.findall(r"民 族(.*?)健康状况", table) value_list.append(m) ''' 此处省略其他字段匹配 ''' return value_list
这样就将每个字段匹配到的内容以一个列表的形式返回了
0x03 将内容写入到文件
接下来将这个列表里的内容写入到txt中
str1 = "" for value in value_list: str1 = str1 + str(value[0]) + "\t"#每个字段值用制表符\t分隔 str1 = str1 + "\n" with open("result.txt", "a+") as f:#将内容以追加形式写入到result.txt中 f.write(str1)
以上是将一个word转成了txt
只要再对文件夹中的文件进行批量处理就ok了
0x04 批量处理完整代码
以下附上完整代码
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里的所有标记符 ###如果多份简历在同一个word文件里### table_list = text.split("XX简历")[1:]#依据简历标题切分每一份简历信息 return table_list def get_field_value(text): value_list = [] m = re.findall(r"姓 名(.*?)性 别", table) value_list.append(m) m = re.findall(r"性 别(.*?)学 历", table) value_list.append(m) m = re.findall(r"民 族(.*?)健康状况", table) value_list.append(m) ''' 此处省略其他字段匹配 ''' return value_list cv_list = [] for i in os.listdir(os.getcwd()): a = os.path.splitext(os.getcwd() + "\\" + i)#获取当前目录下所有文件的文件名 if a[1] == '.docx':#如果文件后缀 print(os.getcwd()+"\\"+i) cv_list = cv_list + get_document(os.getcwd() + "\\" + i)#每份简历信息为一个列表元素 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)
一万份word表格简历信息转成了txt,然后用excel打开txt即可。
补充:python word表格一些操作
数据格式(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): """创建word表格以及插入数据""" doc = Document() doc.styles['Normal'].font.name = 'Calibri' # 是用来设置当文字是西文时的字体, doc.styles['Normal']._element.rPr.rFonts.set(qn('w:eastAsia'), u'宋体') # 是用来设置当文字是中文时的字体 # doc.styles['Normal'].font.size = Pt(14) # 设置所有文字字体大小为14 distance = Inches(0.5) sec = doc.sections[0] # sections对应文档中的“节” sec.left_margin = distance # 以下依次设置左、右、上、下页面边距 sec.right_margin = distance sec.top_margin = distance sec.bottom_margin = distance sec.page_width = Inches(11.7) # 设置页面宽度 # sec.page_height = Inches(9) # 设置页面高度 # doc.add_heading() # 设置标题,但是不符合我的条件,只能试用下方p.add_run('我是文字') p = doc.add_paragraph() # 添加段落 p.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER # 设置中央对齐 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 # 设置中央对齐 p.add_run(str(datas[i][j])) ph_format = p.paragraph_format # ph_format.space_before = Pt(10) # 设置段前间距 # ph_format.space_after = Pt(12) # 设置段后间距 ph_format.line_spacing = Pt(40) # 设置行间距 doc.save('./files/项目总结.docx')
生成示例
可能出现的错误,[Errno 13] Permission denied: ‘./files/项目进展总结.docx'
是因为你打开文件未关闭,操作不了,关闭他就好了
以上为个人经验,希望能给大家一个参考,也希望大家多多支持我们。如有错误或未考虑完全的地方,望不吝赐教。